图像分类的Top-5错误率怎么理解?
2018-01-02 09:15
246 查看
在看一些深度学习图像分类文献的时候,经常提到ImageNet Top-5错误率降到了15%。它是什么意思呢?
![](https://img-blog.csdn.net/20170424203454276?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvam9lX3ppdGFuZ25p/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
top1就是你预测的label取最后概率向量里面最大的那一个作为预测结果,你的预测结果中概率最大的那个类必须是正确类别才算预测正确。而top5就是最后概率向量最大的前五名中出现了正确概率即为预测正确。
![](https://img-blog.csdn.net/20170424204017751?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvam9lX3ppdGFuZ25p/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
ImageNet 项目是一个用于物体对象识别检索大型视觉数据库。截止2016年,ImageNet 已经对超过一千万个图像的url进行手动注释,标记图像的类别。在至少一百万张图像中还提供了边界框。自2010年以来,ImageNet 举办一年一度的软件竞赛,叫做 ImageNet 大尺度视觉识别挑战(ImageNet
Large Scale Visual Recognition Challenge,ILSVRC)。主要内容是通过算法程序实现正确分类和探测识别物体与场景,评价标准就是Top-5 错误率。
Top-5 错误率
ILSRVRC(ImageNet 图像分类大赛) 比赛设置如下:
1000类图像分类问题,训练数据集126万张图像,验证集5万张,测试集10万张(标注未公布)。
评价标准采用 top-5 错误率——即对一张图像预测5个类别,只要有一个和人工标注类别相同就算对,否则算错。
近几年ILSRVRC 比赛结果如下表所示:
结果公布时间 机构top-5错误率(%) 方法
2015.2.11 Google 4.82 http://arxiv-web3.library.cornell.edu/abs/1502.03167
2015.2.6 MSRA 4.94 http://arxiv.org/abs/1502.01852
2015.2.6 Baidu 5.33 http://arxiv.org/abs/1501.02876
2015.1.13 Baidu 5.98 ——
2014.8.18 Google 6.66 http://arxiv.org/abs/1409.4842
2014.8.18 Oxford 7.33 http://arxiv.org/abs/1409.1556
2013.11.14 NYU 11.7 http://arxiv.org/abs/1311.2901
2012.10.13 U.Toronto 16.4
top1就是你预测的label取最后概率向量里面最大的那一个作为预测结果,你的预测结果中概率最大的那个类必须是正确类别才算预测正确。而top5就是最后概率向量最大的前五名中出现了正确概率即为预测正确。
ImageNet 项目
ImageNet 项目是一个用于物体对象识别检索大型视觉数据库。截止2016年,ImageNet 已经对超过一千万个图像的url进行手动注释,标记图像的类别。在至少一百万张图像中还提供了边界框。自2010年以来,ImageNet 举办一年一度的软件竞赛,叫做 ImageNet 大尺度视觉识别挑战(ImageNet
Large Scale Visual Recognition Challenge,ILSVRC)。主要内容是通过算法程序实现正确分类和探测识别物体与场景,评价标准就是Top-5 错误率。
Top-5 错误率
ILSRVRC(ImageNet 图像分类大赛) 比赛设置如下:
1000类图像分类问题,训练数据集126万张图像,验证集5万张,测试集10万张(标注未公布)。
评价标准采用 top-5 错误率——即对一张图像预测5个类别,只要有一个和人工标注类别相同就算对,否则算错。
近几年ILSRVRC 比赛结果如下表所示:
结果公布时间 机构top-5错误率(%) 方法
2015.2.11 Google 4.82 http://arxiv-web3.library.cornell.edu/abs/1502.03167
2015.2.6 MSRA 4.94 http://arxiv.org/abs/1502.01852
2015.2.6 Baidu 5.33 http://arxiv.org/abs/1501.02876
2015.1.13 Baidu 5.98 ——
2014.8.18 Google 6.66 http://arxiv.org/abs/1409.4842
2014.8.18 Oxford 7.33 http://arxiv.org/abs/1409.1556
2013.11.14 NYU 11.7 http://arxiv.org/abs/1311.2901
2012.10.13 U.Toronto 16.4
相关文章推荐
- 图像分类 top-5 错误率
- 什么是图像分类的Top-5错误率?
- 支持向量机的近邻理解:图像二分类为例(3)
- 支持向量机的近邻理解:图像二分类为例(1)
- Residual Networks <2015 ICCV, ImageNet 图像分类Top1>
- matlab deeplearning用于图像分类的源代码理解
- Residual Networks <2015 ICCV, ImageNet 图像分类Top1>
- BoW(Bag-of-Features)特征袋对图像进行分类的理解
- 支持向量机的近邻理解:图像二分类为例(2)
- 图像处理------理解卷积 分类: 视频图像处理 2015-07-24 09:25 24人阅读 评论(0) 收藏
- 跪求!利用深度信念网络工具箱对凯斯西出大学轴承数据进行分类错误率无法降低怎么办
- GoogleNet是怎么理解图像的?谷歌大神教你读懂「神经特征可视化」
- Residual Networks <2015 ICCV, ImageNet 图像分类Top1>
- Kaggle—So Easy!百行代码实现排名Top 5%的图像分类比赛
- top里的load average怎么理解呢
- Tensorflow学习(7)用别人训练好的模型进行图像分类
- SPP-Net 是怎么让 CNN 实现输入任意尺寸图像的?
- 关于图像处理的直观理解
- 面向小数据集构建图像分类模型Keras
- ABBYY FineReader中怎么保存页面图像