知识卡片
面目标实验的ROC与AUC
面目标实验用八幅典型复杂背景图像,与SUN、FS、SeR、LC、RC、RST、DS七种显著性算法对比。评价用ROC与AUC:ROC展示不同虚警率FPR下的检测率TPR,AUC为曲线下面积,越接近1越好。
定性上,SUN能找到位置但轮廓模糊、丢失内部细节;FS只能检出部分轮廓;SeR只给出大概位置且抑噪弱;LC抑噪同样弱;RC、RST、DS在部分图像上好,稳定性差。定量上,DS在图(b)(e)(f)的AUC超过0.99,在图(g)(h)却只有0.4669和0.4388;SUN、SeR、LC较稳定;DL方法平均AUC达0.9895,且在全部图像上保持高水平。
这组结果说明两点:一是平均AUC会掩盖算法在个别场景的崩溃,必须看逐图分布;二是深度监督方法在训练分布内很强,跨场景时缺少手工先验的兜底能力,而“结构×对比度+贝叶斯”这类浅层组合在样本稀缺的红外场景反而更稳。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第5章 人脑视觉系统的视觉注意机制及其应用 · 查看原书依据
与这七种对比算法相比,所提出的算法具有最高的平均AUC值(0.989 5),且对于所有的实验图像,所提出的算法得到的AUC值均处于较高水平。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第5章 人脑视觉系统的视觉注意机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt005.html)
- 结论依据:面目标实验用八幅典型复杂背景图像,与SUN、FS、SeR、LC、RC、RST、DS七种显著性算法对比。
- 原始内容:与这七种对比算法相比,所提出的算法具有最高的平均AUC值(0.989 5),且对于所有的实验图像,所提出的算法得到的AUC值均处于较高水平。