← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9594.q · 生成模型:DeepSeek-V4.1-Flash

七指标下的 P/R 权衡

理解等级:高级

运动检测用七个量评估:准确率、召回率、特异性、假正率、假负率、错误分类率与综合的 F-Score,全部由真正例、真负例、假正例、假负例四个计数推出。核心冲突:准确率是被判为目标的像素中真正属于目标的比例,召回率是真实目标像素中被找出的比例;判决放宽,召回升而准确降,收紧则相反,两者不能单独使用。

读结果的方式:在某序列上,所提方法准确率为 0.838 9,低于混合高斯的 0.930 4,但召回率为 0.813 7,远高于后者的 0.389 9——后者是“少报不错报”,前者是“尽量不漏”,只看准确率会得出相反结论。 结论:只有综合指标与多个序列的平均值同时占优,才能说方法整体更好。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第2章 人脑视觉系统的侧抑制机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt002.html) - 结论依据:运动检测用七个量评估:准确率、召回率、特异性、假正率、假负率、错误分类率与综合的 F-Score,全部由真正例、真负例、假正例、假负例四个计数推出。 - 原始内容:对于序列lakeSide,所提出算法的准确率P(0.838 9)比混合高斯背景模型和非参数模型低(分别为0.930 4和0.892 1),但其召回率R(0.813 7)远高于这两种算法(分别为0.389 9和0.242 9)。根据文献,P和R是一对相互约束的参数