Precision--图像检索领域的召回曲线答案

【问题标题】：Precision--recall curves in image retrieval domainPrecision--图像检索领域的召回曲线
【发布时间】：2019-02-14 09:33:47
【问题描述】：

我正在研究两个不同季节（例如夏季和秋季）的闭环检测问题。我需要制作精确召回曲线。假设，我从夏季拍摄了 500 张图像，从秋季拍摄了 500 张图像。我有距离矩阵。 enter image description here

但我完全困惑，如何制作精确的召回曲线。就像，对于一个季节的每张图像，我将按升序（距离）顺序获得 500 张最近的图像。我知道精确度和召回率的定义，但我无法接近这个问题的解决方案。期待任何形式的帮助或 cmets 或建议。提前致谢。

【问题讨论】：

【解决方案1】：

在precision-recall图中，每个点都是一对precision和recall值。在你的情况下，我猜你需要计算每个图像的这些值，然后平均它们。

假设您总共有 1000 张图像，而只有 100 张属于夏天的图像。如果您拍摄 500 张最接近“夏季”图像的图像，则最佳情况下的精度（当第一张图像始终属于该类时）将是：

precision(summer) = 100 / (100 + 400) = (retrieved summer images) / (retrieved summer images + other retrieved images) = 0.2

回想一下：

recall(summer) = 100 / (100 + 0) = (retrieved summer images) / (retrieved summer images + not retrieved summer images) = 1

如您所见，它具有高召回率，因为所有夏季图像都被检索到，但精度低，因为只有 100 张图像，而其他 400 张图像不属于该类。

现在，如果您拍摄前 100 张图像而不是 500 张，则召回率和精度都等于 1。

如果您先拍摄 50 张图像，那么精度仍为 1，但召回率会下降到 0.5。

因此，通过改变图像数量，您可以获得精确召回曲线的分数。对于上述示例，这些点将是 (0.2, 1), (1, 1), (1, 0.5)。

您可以使用不同的阈值为 1000 张图像中的每一张计算这些值。

【讨论】：

非常感谢您的帮助。谢谢。
@HridBiswas 我刚刚编辑了评论，因为我的问题错了。无论如何，我希望我没有回复太晚:)
实际上我的问题与您描述的方式略有不同，但它仍然对我很有帮助，我可以按照我的方式修改您的解决方案。但是我有一个问题是：如果我从您的示例中获取精度与召回值，即 (0.2, 1), (1, 1), (1, 0.5)，那么我看到，对于召回 1，我有 2 个精度值，o.2 和 1（因为 (0.2, 1), (1, 1)），那么我该如何绘制呢？提前致谢
@HridBiswas 如果你用谷歌搜索“精度召回曲线”，你会看到很多图都有直线，即相同精度有两个或多个召回值（反之亦然大约）。 classeval.files.wordpress.com/2015/06/… 例如，这张图显示了完美的准确率和召回率，当召回率从 0 变为 1 时，准确率等于 1。