如何在滑动窗口对象检测中对True Negative进行分类？

Question

我正在从我的图像检测器算法中收集结果.所以基本上我所做的是,从一组图像(大小为320 x 480),我将通过它运行一个64x128的滑动窗口,并且还在许多预定义的比例下运行.

我明白那个:

• True Positives =当我检测到的窗口与地面实况(带注释的边界框)重叠(在定义的交叉点大小/质心内)时
• 误报=当算法给出正面窗口时,这些窗口超出了真实性.
• 假阴性=当我没有给出正窗口时,而地面实况注释表明存在一个对象.

但真正的否定者呢？这些真正的否定因为我的分类器给了我负面结果的所有窗口吗？这听起来很奇怪,因为我一次将一个小窗口(64x128)滑动4个像素,并且我在检测中使用了大约8个不同的比例.如果我这样做,那么每张图片都会有很多真正的底片.

或者我准备一组纯负面图像(根本没有物体/人物),我只是滑动,如果这些图像中有一个或多个正面检测,我会将其视为假阴性,副反之？

这是一个示例图像(绿色作为基本事实)

Answer 1

我一直认为这四个术语如下：

• 假阴性；结果应该是正的，但结果是负的。
• 假阳性; 结果应该是阴性的，但是是阳性的。
• 真阳性；结果应该是阳性的并且是阳性的。
• 真阴性；结果应该是阴性的并且是阴性的。

在您的情况下，如果我理解正确，您正在尝试检测图像中是否有对象。因此，假阴性意味着有一个对象（结果应该是肯定的）但算法没有检测到它（因此返回否定）。真正的否定只是算法正确说明它检查的区域不包含对象。

您可以选择忽略负值，但这些可用于进一步训练您的算法（例如；使用查找两者的算法，而不是将无法识别的所有内容都设置为 false）。