Точность - отзыв кривых в области поиска изображений

Question

Я работаю над проблемой обнаружения замыкания петли в два разных сезона, например, летом и осенью. Мне нужно сделать кривые точного отзыва. Предположим, я взял 500 снимков с лета и 500 снимков с осеннего сезона. У меня есть матрица расстояний. введите описание изображения здесь

Но я совершенно сбит с толку, как сделать кривые напоминания. Например, за каждое изображение одного сезона я получу 500 ближайших изображений в порядке возрастания (расстояния). Я знаю определение точности и вспоминаю, но не могу приблизиться к решению этой проблемы. Ждем любую помощь или комментарии или совет. заранее спасибо.

Answer 1

На графиках точного возврата каждая точка представляет собой пару значений точности и возврата. В вашем случае, я думаю, вам нужно вычислить эти значения для каждого изображения, а затем усреднить их.

Представьте, что у вас есть 1000 изображений всего и только 100 изображений, которые относятся к лету. Если вы берете 500 ближайших изображений к некоторому "летнему" изображению, точность в лучшем случае (когда первые изображения всегда принадлежат классу) будет:

precision(summer) = 100 / (100 + 400) = (retrieved summer images) / (retrieved summer images + other retrieved images) = 0.2

И напомним:

recall(summer) = 100 / (100 + 0) = (retrieved summer images) / (retrieved summer images + not retrieved summer images) = 1

Как вы можете видеть, он имеет высокий отзыв, потому что все летние изображения были получены, но с низкой точностью, потому что есть только 100 изображений, а 400 других изображений не принадлежат к классу.

Теперь, если вы возьмете первые 100 изображений вместо 500, и отзыв, и точность будут равны 1.

Если вы возьмете 50 первых изображений, то точность останется равной 1, но количество возвратов упадет до 0,5.

Таким образом, изменяя количество изображений, вы можете получить точки для кривой точного возврата. Для вышеописанного примера эти точки будут (0,2, 1), (1, 1), (1, 0,5).

Вы можете вычислить эти значения для каждого из 1000 изображений, используя разные пороги.