关于计算机视觉中异常检测的一些性能指标

关于计算机视觉中异常检测的⼀些性能指标

在计算机视觉项⽬的异常检测中，基本⽤这⼏个指标来衡量算法的性能好坏。

误检率：FPR=FP/(FP+TN)

漏检率：FNR=FN/(FN+TP)

正确率：A=(TP+TN)/(TP+TN+FP+FN)

名称英⽂缩写英⽂全称

误检率FPR False Predicted Ratio

漏检率FNR False Negative Ratio

正确率A Accuracy

错误匹配F false双电源控制器

双层帐篷正确匹配T true

古代蹴鞠用什么做的

受体拮抗剂实验方法

正类P positive

负类N negative

aveee错误匹配，将负类预测为正类FP False positive

正确匹配，将负类预测为负类TN True negative

错误匹配，将正类预测为负类FN False negative

正确匹配，将正类预测为正类TP true positive

说明：在异常检测中我们更多的是关注事物的异常状态，所以将异常状态表⽰为正类，将正常状态表⽰为负类，如⼯业检测中划痕检测，显⽰屏有划痕是正类，没有划痕是负类。正确匹配为将正类识别为正类，将负类识别为负类，错误匹配为将正类识别为负类或将负类识别为正类。

涂料用润湿分散剂

本文发布于:2024-09-22 21:12:14，感谢您对本站的认可！

标签：检测正类负类匹配划痕缩写衡量算法

留言与评论（共有 0 条评论）