記事ディレクトリ
1. 共通モデル評価用語
ここで、分類ターゲットには 2 つのカテゴリのみがあり、正の例 (ポジティブ) と負の例 (ネガティブ) としてカウントされると仮定します。
真陽性(TP)
正しく分類された正例の数、つまり、実際には正例であり、分類器によって正例として分類されたインスタンスの数（サンプル数）。
誤検知(FP)
誤って正のインスタンスとして分類されたインスタンスの数、つまり、実際には負のインスタンスであるが、分類子によって正のインスタンスとして分類されたインスタンスの数。
偽陰性(FN)
誤って負の例として分類されたインスタンスの数、つまり、実際には正の例であるが、分類器によって負の例として分類されたインスタンスの数。
真陰性(TN)
負の例として正しく分類されたインスタンスの数、つまり、実際には負の例であり、分類器によって負の例として分類されたインスタンスの数。
PR曲線
-
P：
精度、つまり正解率を表し、計算式は、
予測サンプル内の実際の陽性サンプル数/すべての陽性サンプル数、つまり、precision=TP/(TP+FP)となります。 -
R：Recallの略で再現率のことで、計算式は以下の通りです。
予測サンプル内の実際の陽性サンプル数/予測サンプル数は、再現率=TP/(TP+FN)=TP/Pです。一般に、適合
率と再現率の関係は魚とケーキの関係です。再現率が高いほど、正解率は高くなります。
PR曲線
つまり、垂直軸と水平軸の座標として精度と再現性を備えた 2 次元曲線です。全体的な傾向は、異なるしきい値で対応する適合率と再現率を選択することによって描画されます。適合率が高いほど、再現率は低くなります。再現率が 1 に達すると、確率スコアが最も低い陽性サンプルに対応します。このとき、陽性サンプルの数を、しきい値以上のすべてのサンプルで割った値が、精度の最も低い値になります。
また、PR 曲線で囲まれた面積が AP 値であり、一般に、優れた分類器ほど AP 値が高くなります。ターゲット検出では、各クラスは再現率と精度に基づいて PR 曲線を描くことができます。AP は曲線の下の面積、mAP はすべてのクラスの平均 AP です。
AP
それがAverage Precision、つまり平均的な精度です。
地図
つまり、Mean Average Precision は、複数の検証セット個体の AP 値を平均した平均 AP 値であり、物体検出における検出精度を測る指標として使用されます。
IOU (交差および結合比率)
Intersection-over-Union は、ターゲット検出で使用される概念であり、特定のデータセット内の対応するオブジェクトの検出精度を測定するための標準です。
IOU は、生成された候補ボックス (候補境界) と元のマークされたボックス (グラウンド トゥルース境界) の間の重なり率または重なりの程度、つまり、それらの交差と結合の比率を表します。相関が高いほど、値が高くなります。理想的な状況は完全に重なっている、つまり比率が 1 であることです。次のように計算されます。
IoU = エリア ( C ) ∩ エリア ( G ) エリア ( C ) ∪ エリア ( G ) \operatorname{IoU}=\frac{\operatorname{area}(C) \cap \operatorname{area}( G)}{\オペレーター名{エリア}(C)\cup \オペレーター名{エリア}(G)}IoU=エリア( C )∪面積( G )エリア( C )∩面積( G )
NMS (非最大抑制)
つまり、非最大値抑制とは非最大値抑制を意味し、その名の通り最大値ではない要素を抑制し、極大値を探索します。
物体検出では、NMS が広く使用されており、その目的は、冗長なフレームを削除し、最適な物体検出位置を見つけることです。
検出速度
- 前編は時間がかかる
- 1 秒あたりのフレーム数 FPS (1 秒あたりのフレーム数)
- 浮動小数点演算 (FLOPS)
検出精度に加えて、ターゲット検出アルゴリズムのもう 1 つの重要なパフォーマンス指標は速度です。高速でなければリアルタイム検出を実現できません。これは一部のアプリケーション シナリオでは非常に重要です。速度を評価するための一般的な指標は、1 秒あたりに処理できる画像の数である 1 秒あたりのフレーム数 (FPS) です。もちろん、FPS を比較するには、同じハードウェア上で行う必要があります。また、画像処理にかかる時間でも検出速度を評価することができ、時間が短いほど速度が速いことになります。