评估指标中IoU/precision/recall/tp/fp/fn/tn的个人理解

在物体检测和图像分割领域的评价体系中，IoU/precision/recall这几个评价指标被广泛应用，读过相应的代码之后会发现由此引出tp/fp/fn/tn的概念。通过查找相关资料，对这几个概念做一个整理。

先说tp/fp/fn/tn这四个最基本的概念，上图：



从这张图就可以很清楚知道这四个的概念，分别为

tp：True Positive

fp：False Positive

fn：False Negative

tn：True Negative

怎么理解呢？

我们都知道，在文本检索工作中要想检索到我们想要的有用的信息，我们需要从既包含我们想要的信息（称为relevant elements）又包含我们不想要的信息（称为irrelevant elements）的整体中，用检索工具（可以看成建立的模型）进行检索，得到的结果分成两部分，一部分是有用的信息（称为True positive，代码中常简写为tp），另一部分是无用的信息（称为False Positive，代码中常简写为fp）。于是剩下的fn和tn就能理解了。在物体检测和图像分割领域道理类似。

接下来就要利用这四个东西搞事情了！（准确的说是三个，tn一般不用）

IoU:以下是一个测量IoU的实例：

http://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/

IoU简单来讲就是模型产生的目标区域和原来标记区域的交并比。可理解为得到的结果与GroundTruth的交集比上它们之间的并集，即为IoU 值。利用上面的几个概念，得到

IoU=∑tp/(∑fn+∑tp+∑fp)，求和(∑)是因为程序中一般将tp/fn/fp都看做单个信息。

精确率precision=∑tp/(∑tp+∑fp)，也就是搜索结果中有用的部分占所有搜索结果的比重。

召回率recall=∑tp/(∑fn+∑tp)，也就是搜索结果中有用的部分占信息空间中所有有用的部分的比重。

然后举个栗子说明以上三个家伙怎么算，比如主人家里有12只狗和几只猫，主人随便牵出8只，其中5只狗3只猫，那么问题来了。先给张表：



总共的：{12dogs+some cats},

牵出的：{8=5dogs+3cats},

于是相关的relevant(fn+tp) = 12，搜索的retrieved(tp+fp) = 8;

relevant∩retrieved (tp) = 5(dogs);

fp=3

fn=12-5=7

辣么，IoU=tp/(fn+tp+fp)=5/（7+5+3）=5/15

precision=tp/(tp+fp)=5/8

recall=tp/(fn+tp)=5/12

维基百科中给出的precision和recall的公式：





最后附上评估指标的全家福：



全家福中的内容都能在维基百科中找到。

参考：https://en.wikipedia.org/wiki/Precision_and_re
a7bb
call