Exponenta Banner

evaluateDetectionAOS

Оцените среднюю метрику подобия ориентации для обнаружения объектов

свернуть все на странице

Синтаксис

metrics = evaluateDetectionAOS(detectionResults,groundTruthData)
metrics = evaluateDetectionAOS(detectionResults,groundTruthData,threshold)

Описание

пример

metrics = evaluateDetectionAOS(detectionResults,groundTruthData) вычисляет метрику среднего подобия ориентации (AOS). Метрика может использоваться, чтобы измерить результаты обнаружения detectionResults против достоверных данных groundTruthData. AOS является метрикой для того, чтобы измерить уровень детектора на вращаемых прямоугольных обнаружениях.

metrics = evaluateDetectionAOS(detectionResults,groundTruthData,threshold) дополнительно задает порог перекрытия для присвоения обнаружения к ограничительной рамке основной истины.

Примеры

свернуть все

Скрипт Open Live Script

Задайте ограничительные рамки основной истины для класса транспортного средства. Каждая строка задает вращаемую ограничительную рамку формы [xcenter, ycenter, ширина, высота, рыскание].

gtbbox = [
    2 2 10 20 45
    80 80 30 40 15
    ];

gtlabel = "vehicle";

Составьте таблицу, чтобы содержать достоверные данные.

groundTruthData = table({gtbbox},'VariableNames',gtlabel)
groundTruthData=table
      vehicle   
    ____________

    {2x5 double}

Задайте результаты обнаружения для вращаемых ограничительных рамок, баллов и меток.

bbox = [
    4 4 10 20 20
    50 50 30 10 30
    90 90 40 50 10 ];

scores = [0.9 0.7 0.8]';

labels = [
    "vehicle"
    "vehicle"
    "vehicle"
    ];
labels = categorical(labels,"vehicle");

Составьте таблицу, чтобы содержать результаты обнаружения.

detectionResults = table({bbox},{scores},{labels},'VariableNames',{'Boxes','Scores','Labels'})
detectionResults=1×3 table
       Boxes           Scores            Labels      
    ____________    ____________    _________________

    {3x5 double}    {3x1 double}    {3x1 categorical}

Оцените результаты обнаружения против основной истины путем вычисления метрики AOS.

metrics = evaluateDetectionAOS(detectionResults,groundTruthData)
metrics=1×5 table
                AOS        AP       OrientationSimilarity     Precision         Recall   
               ______    _______    _____________________    ____________    ____________

    vehicle    0.5199    0.54545        {4x1 double}         {4x1 double}    {4x1 double}

Входные параметры

свернуть все

Обнаружение заканчивается в виде таблицы с тремя столбцами. Столбцы содержат ограничительные рамки, баллы и метки. Ограничительные рамки могут быть выровненными осью прямоугольниками или вращаемыми прямоугольниками.

BoundingboxФорматОписание
Выровненный осью прямоугольник[Min x, min y, width, height]Этот тип ограничительной рамки задан в пиксельных координатах как M-by-4 матрица, представляющая ограничительные рамки M
Вращаемый прямоугольник[Центр x, центр y, width, height, yaw]Этот тип ограничительной рамки задан в пространственных координатах как M-by-5 матрица, представляющая ограничительные рамки M. Центр x и координаты центра y представляют центр ограничительной рамки. width и элементы height представляют длину поля вдоль x и осей y, соответственно. yaw представляет угол поворота в градусах. Объем вращения вокруг центра ограничительной рамки измеряется в направлении по часовой стрелке.
   

Помеченная основная истина отображает в виде datastore или таблицы.

  • Если вы используете datastore, ваши данные должны быть настроены так, чтобы, вызвав datastore с read и readall функции возвращают массив ячеек или таблицу с двумя или тремя столбцами. Когда выход содержит два столбца, первый столбец должен содержать ограничительные рамки, и второй столбец должен содержать метки, {boxes, labels}. Когда выход содержит три столбца, второй столбец должен содержать ограничительные рамки, и третий столбец должен содержать метки. В этом случае первый столбец может содержать любой тип данных. Например, первый столбец может содержать данные об облаке точек или изображения.

    databoxeslabels

    Первый столбец может содержать данные, такие как данные об облаке точек или изображения.

    Второй столбец должен быть массивом ячеек, который содержит M-by-5 матрицы ограничительных рамок формы [центр x, центр y, width, height, yaw]. Векторы представляют местоположение и размер ограничительных рамок для объектов в каждом изображении.

    Если ограничительная рамка выравнивается осью, то вы не должны задавать рыскание. Поэтому ограничительная рамка была бы описана как M-by-4 матрицы ограничительных рамок формы [центр x, центр y, width, height].

    Третий столбец должен быть массивом ячеек, который содержит M-by-1 категориальные векторы, содержащие имена класса объекта. Все категориальные данные, возвращенные datastore, должны содержать те же категории.

    Для получения дополнительной информации смотрите Хранилища данных для Глубокого обучения (Deep Learning Toolbox).

  • Если вы используете таблицу, таблица должна иметь два или больше столбца.

    databoxes...
    Первый столбец может содержать данные, такие как данные об облаке точек или изображения.Каждый из остальных столбцов должен быть вектором ячейки, который содержит M-by-5 матрицы, представляющие вращаемые прямоугольные ограничительные рамки. Каждый вращаемый прямоугольник должен иметь форму [центр x, центр y, width, height, yaw]. Векторы представляют местоположение и размер ограничительных рамок для объектов в каждом изображении. 

Перекройте порог в виде неотрицательного скаляра. Отношение перекрытия задано как пересечение по объединению.

Выходные аргументы

свернуть все

Метрики AOS, возвращенные как таблица с пятью столбцами. Каждая строка в таблице содержит метрики оценки для класса, который задан в достоверных данных, содержавшихся в groundTruthData входной параметр. Получить имена класса объекта:

metrics.Properties.RowNames
Эта таблица описывает эти пять столбцов в metrics таблица.

СтолбецОписание
AOSСреднее значение подобия ориентации
APСредняя точность по всем результатам обнаружения, возвращенным в виде числа. Точность является отношением истинных положительных экземпляров ко всем положительным экземплярам объектов в детекторе, на основе основной истины.
OrientationSimilarity

Значения подобия ориентации для каждого обнаружения, возвращенного как M - элемент числовой столбец. M является еще одним, чем количество обнаружений, присвоенных классу. Первое значение OrientationSimilarity 1.

Подобие ориентации является нормированным вариантом подобия косинуса, которое измеряет подобие между предсказанным углом поворота и углом поворота основной истины.

Precision

Значения точности от каждого обнаружения, возвращенного как M - элемент числовой вектор-столбец. M является еще одним, чем количество обнаружений, присвоенных классу. Например, если ваши результаты обнаружения содержат 4 обнаружения с меткой класса 'автомобиль', то Precision содержит 5 элементов. Первое значение Precision 1.

Точность является отношением истинных положительных экземпляров ко всем положительным экземплярам объектов в детекторе, на основе основной истины.

Recall

Вспомните значения из каждого обнаружения, возвращенного как M - элемент числовой вектор-столбец. M является еще одним, чем количество обнаружений, присвоенных классу. Например, если ваши результаты обнаружения содержат 4 обнаружения с меткой класса 'автомобиль', то Recall содержит 5 элементов. Первое значение Recall 0.

Отзыв является отношением истинных положительных экземпляров к сумме истинных положительных сторон и ложных отрицательных сторон в детекторе, на основе основной истины.

Ссылки

[1] Гайгер, A., П. Ленц., и Р. Артэзун. "Действительно ли мы готовы к автономному управлению автомобилем? Видение КИТТИ тестирует набора в сравнении с эталоном". Конференция по IEEE по Компьютеру Visin и Распознавание образов. IEEE, 2012.

Смотрите также

Функции

Объекты

Введенный в R2020a

Документация Computer Vision Toolbox

Поддержка