显著性目标检测模型评价指标(一)——平均绝对误差:Mean Absolute Error(MAE)
2018-03-14 16:08
1211 查看
显著性目标检测模型评价指标 之 平均绝对误差(MAE)原理与实现代码
目录
显著性目标检测模型评价指标 之 平均绝对误差(MAE)原理与实现代码目录
一、显著性目标检测简介
显著性目标(Salient Object):
显著性目标检测(Salient Object Detection):
评价指标(Evaluation Metrics):
二、Mean Absolute Error(MAE) 原理
三、 Matlab代码
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
参考文献
一、显著性目标检测简介
显著性目标(Salient Object):
当我们在看一张图片时,注意力首先会落在我们所感兴趣的物体部分。比如我们看到一张画有羊吃草的图像时,我们一般会先注意草坪上的羊,而不是羊的背景,所以我们把该图中的羊就定义为图像的显著性目标。显著性目标检测(Salient Object Detection):
即让计算机学会跟人类一样,自动检测并提取输入图像中的显著性目标。评价指标(Evaluation Metrics):
显著性目标检测算法常用的评价指标有:平均绝对误差(Mean Absolute Error, MAE),PR曲线(Precision-Recaldbbd
l curves)以及F度量值(F-measure)。
这些度量指标我会依次介绍并编程实现,在本篇博客中,主角是平均绝对误差(Mean Absolute Error, MAE)。
二、Mean Absolute Error(MAE) 原理
MAE就是直接计算模型输出的显著性图谱与Ground-truth 之间的平均绝对误差,首先将两者进行二值化,然后用下面的公式进行计算 [1]。MAE=1W×H∑Wx=1∑Hy=1|S¯¯¯(x,y)−G¯¯¯¯(x,y)|MAE=1W×H∑x=1W∑y=1H|S¯(x,y)−G¯(x,y)|
三、 Matlab代码
function [MAE]=MAE_computating %本程序的功能是对显著性特征提取的结果计算Mean absolute error(MAE)值。 %by HanLe clc clear imnames=dir(path_output); imnames2=dir(path_Targets); num=length(imnames); MAES=zeros(num,1); for j=1:num Target=imread(imnames2(j).name); %读图 target=(Target)>0; %二值化 Output=imread(imnames(j).name); output=(Output)>0; dis=abs(target-output); MAES(j,1)=mean(mean(mean(dis))); end MAE=mean(MAES)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
参考文献
[1]: A. Borji, M.-M. Cheng, H. Jiang, and J. Li. Salient object detection: A benchmark. IEEE TIP, 24(12):5706–5722, 2015.相关文章推荐
- 显著性目标检测模型评价指标(三)——F-measure
- 在目标检测任务中如何计算评价指标-Recall,Precision以及画出PR曲线
- 目标检测评价指标解释(precision, recall, mAP)
- 目标检测一些常用的评价指标
- 目标检测模型的性能评估--MAP(Mean Average Precision)
- 目标检测(一)目标检测评价指标
- 目标检测评价指标
- 目标检测模型中的性能评估——MAP(Mean Average Precision)
- 目标检测(一)目标检测评价指标
- 评价入侵检测系统漏洞攻击检测覆盖面的指标
- 【计算机视觉】目标检测中的指标衡量Recall与Precision
- 网站架构的目标、评价指标及实现方法和工具
- 【机器学习】模型的性能评价指标
- “快到没朋友”的目标检测模型YOLO v3问世,之后arXiv垮掉了…
- 检索模型及评价指标小结
- 目标检测模型(不用在ImageNet上预训练)
- 机器学习算法模型评价指标
- 目标检测之LatentSVM和可变形部件模型(DPM:Deformable Part Model)
- Google深度学习目标检测API模型比较
- 【AUC】二分类模型的评价指标ROC Curve