目标跟踪的评测标准（ACC，Prec）

╰半橙微兮° 2022-12-25 02:55 97阅读 0赞

ACC

class Accuracy():
    	def __call__(self, pos_score, neg_score):		
    		pos_correct = (pos_score[:,1] > pos_score[:,0]).sum().float()
    		neg_correct = (neg_score[:,1] < neg_score[:,0]).sum().float()		
    		pos_acc = pos_correct / (pos_score.size(0) + 1e-8)
    		neg_acc = neg_correct / (neg_score.size(0) + 1e-8)
    		tot_acc = (pos_correct+neg_correct) / (pos_score.size(0)+neg_score.size(0))
    		return tot_acc.data[0], pos_acc.data[0], neg_acc.data[0]

（TP+TN）/N。简单来说就是识别正确的数量占总数量的比例。因为实际中一般不会用到TN所以这个一般不用。

用到的tot\_acc表示正样本检测为正样本+负样本检测为负样本的量，也就是TP+TN，  \# mdnet中，第一列负得分，第二列正得分，

基本解释：TP,TN,FP,FN.

**TP：就是我们熟知的正样本识别成正样本。（这个肯定不会有人不懂）  
TN：就是网络正确识别出了负样本。  
FP：就是网络错误的识别成了正样本。（言外之意就是人家本来是负样本，你却认成了正样本）  
FN：就是网络错误的识别成了负样本。（本来是正样本，你却认成了负样本）**

那么目标检测中的这些量是什么含义呢？

**首先TN是没有含义的，因为目标检测中不会识别出这个来。（不懂的好好理解一下）  
TP就不讲了。  
FN，在目标检测中就是你没有检测出来的。比如图中有5个标注为汽车的ground truth, 那么你检测到的汽车有两个， 那么对于这张图， 汽车类的 FN 就是 3.  
FP在目标检测中就是检测错误的数量，比如图中有3个人的ground truth， 你检测到的也是三个框， 但是其中只有一个框检测吻合到你的ground truth，另外两个检测成人了， TP = 1， FP = 2。若是你还是不懂，简单点：检测大于阈值的叫做TP（TruePositive)，低于阈值的也就是错误的叫做FP (FalsePositive)**

**引用“**[目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）\_justsolow的博客-CSDN博客][ACC_Precision_recall_AP_MAP_F1Score_ROC_AUC_justsolow_-CSDN]**”**

Prec

class Precision():
    	def __call__(self, pos_score, neg_score):
    		scores = torch.cat((pos_score[:,1], neg_score[:,1]), 0)
    		topk = torch.topk(scores, pos_score.size(0))[1]
    		prec = (topk < pos_score.size(0)).float().sum() / (pos_score.size(0)+1e-8)
    		return prec.data[0]

TP/(TP+FP)。查准率，实际的正样本数量占网络认为是正样本的数量的比例。查准率这个名字起的很好，就是看你网络的准确率。在目标检测中TP+FP就是你所有检测出来的bbox。

要纠结最后到底使用哪一个，这个要看你怎么取样本以及对样本的处理。

在meta-tracker中使用了错误传回样本（正样本作为负样本传递过来，负样本作为正样本传递过来，这样能提高网络的判别能力）

这时判断的标准为acc

[ACC_Precision_recall_AP_MAP_F1Score_ROC_AUC_justsolow_-CSDN]: https://blog.csdn.net/justsolow/article/details/105590907