目標檢測評價指標，座標變化和複雜度計算

最近在本身跑模型。總結了下一些比較雜的一些小計算問題。

評價指標

目標檢測：

準確率與召回率。實際就是機器學習中查準率和查全率。 根據IOU計算準確率。不一樣IOU下計算求平均，即爲平均準確率 mAP. 可經過FP曲線來看

速度：每秒識別出圖像的幀數。FPS

評價數據集：COCO Cityscapes Pascal VOC等數據集

https://zhuanlan.zhihu.com/p/34179420

人臉檢測：

人臉檢測和目標檢測評價指標差很少。再加一個誤檢率。

語義分割：

https://zhuanlan.zhihu.com/p/37618829

像素精度：每一類像素正確分類的個數/每一類像素的個數

均像素精度：全部類像素精度平均值

平均交併比：每一類IOU取平均值。其實和目標檢測差很少，不過換成像素級別了

權頻交併比： 平均交併比的帶權重形式

看過少數幾篇論文，感受衡量指標主要仍是平均交併比IOU，損失函數也主要按這個計算的

卷積及池化過程當中座標變換（感覺野計算）

https://zhuanlan.zhihu.com/p/44106492

https://zhuanlan.zhihu.com/p/26663577

https://zhuanlan.zhihu.com/p/40267131

這四個公式很重要，基本涵蓋了有關

1. 爲卷積後特徵圖大小。n_in爲輸入特徵圖大小，P爲 padding數，K爲卷積核大小，s爲步長。例 17*17特徵圖經 3*3卷積，paading 1，步長2.則卷積後輸出特徵圖大小爲 9*9

2.  步長積

3. 此公式用來計算感覺野大小。r_in爲輸入上一層感覺野，例如，第一層，通過k=3*3，s=2的兩次卷積後，感覺野大小 1+（3-1）*1=3  3+（3-1）*2=7.此處要注意J_in和J_out區別。 注意此時有空洞卷積的哈，後面還需*dialation 

4. 此公式用來計算特徵感覺野中心座標。

給一張其餘人博客的例子：

此處還要引入一個座標對齊的概念。 例如R-CNN中直接S/2取整，而空洞卷積座標映射是採用雙線性差值方式。簡單介紹下空洞卷積概念

空洞卷積

 https://zhuanlan.zhihu.com/p/50369448

https://zhuanlan.zhihu.com/p/50937830

優勢：

1.下采樣在擴大感覺野的同時會下降圖片分辨率。空洞卷積引入，可擴大感覺野，同時不多損失分辨率。

2. 可引入更多的上下文信息，有利於增長識別率

缺點：

空洞卷積可能致使部分局部信息丟失。未解決此種方案引入了不一樣空洞率的卷積核，以後進行融合。參考Deeplab系列。

空洞卷積感覺野計算方式和普通卷積同樣，就是把空洞+卷積核當作一個大卷積

卷積網絡複雜度計算

https://zhuanlan.zhihu.com/p/31575074

時間複雜度Time~O(M²*K²*C_l-1C_l) M爲輸出特徵圖大小，K爲卷積核大小，C爲通道數

Inception網絡使用多個小卷積代替大卷積，感覺野相同，且細節提取的更好。同時又大大減少了參數量。

例： 兩個3*3 代替 一個5*5 參數量變化：before  M²5*5*K1*K2   after  M²3*3*K1*K2*2   即變爲原來的18/25 屢次以後參數減少量很可觀

 另外此處可分析下1*1 卷積。3*3 卷積前面增長 1*1卷積，以後計算量也可減少。。 引入小卷積做用可從下降複雜度方向來分析。

https://zhuanlan.zhihu.com/p/34204282

此連接爲複雜度計算的深刻分析，這裏再也不引入了。。這個複雜度計算仍是頗有用的。 以前我是作硬件的，複雜度計算是AI芯片面試很大可能性會問到的一個角度。。