小编Sm1*_*Sm1的帖子

考虑具有以下混淆矩阵的三类分类问题。

cm_matrix = 
                predict_class1    predict_class2    predict_class3
                 ______________    ______________    ______________

Actual_class1         2000                 0                 0     
Actual_class2           34              1966                 0     
Actual_class3            0                 0              2000   



Multi-Class Confusion Matrix Output
                     TruePositive    FalsePositive    FalseNegative    TrueNegative
                     ____________    _____________    _____________    ____________

    Actual_class1        2000             34                0              3966    
    Actual_class2        1966              0               34              4000    
    Actual_class3        2000              0                0              4000    

我使用的公式是：

Accuracy Of Each class=(TP ./total instances of that class)

（公式基于此处的答案：个别类别准确度计算混乱）

Sensitivity=TP./TP+FN ;

其在Matlab中的实现为：

acc_1  = 100*(cm_matrix(1,1))/sum(cm_matrix(1,:)) = 100*(2000)/(2000+0+0) = 100
acc_2  = 100*(cm_matrix(2,2))/sum(cm_matrix(2,:)) =  100*(1966)/(34+1966+0) = 98.3
acc_3  = …

我正在通过特征检测算法,很多事情似乎都不清楚.对于图像处理的初学者来说,原始论文很难理解.如果这些得到回答,我们将很高兴

1. SURF和SIFT正在检测哪些功能？
2. 是否有必要在灰度图像上计算这些？
3. 术语"描述符"用简单的词语表示什么.
4. 通常,选择/提取了多少个功能？是否有标准？
5. Hessian矩阵的大小决定了什么？
6. 被检测的特征的大小是多少？据说特征的大小是blob的大小.因此,如果图像的大小是M*N,那么是否会有M*N n个特征？

这些问题可能看起来太微不足道了,但请帮助..