计算召回率和精度以评估 CBIR 系统答案

【问题标题】：Compute Recall and Precision to evaluate CBIR system计算召回率和精度以评估 CBIR 系统
【发布时间】：2018-09-05 19:21:47
【问题描述】：

我使用 SIFT 结合其他基于特征的算法（使用 OpenCV 和 Python3）实现了 CBIR，现在我必须评估它们的组合（即 SIFT/SURF、ORB/BRISK...）的性能。

我发现我可以使用 Precision |TP| / (|TP| + |FP|) 和召回 |TP| / (|TP| + |FN|)。我知道TP是正确的肯定，FN是没有返回的相关文件，FP是返回但不相关的文件

我计算我与 BF 的匹配，我假设：

如何计算我的 FN？例如相关但未返回的匹配项？

请注意，我只是提出一个假设，所以如果我错了，请纠正我。

我想对具体的实现有一些帮助，例如在图像匹配的具体情况下这些数据在哪里。

您能否建议我如何根据特征检测和描述评估 CBIR 系统？

【问题讨论】：

您好，由于问题的性质，无法简单解释，您可以看看这个dissertation。希望对您有所帮助。
@Stavros Niafas 谢谢你的论文。如果我猜对了，您只是计算了相关图像总数和检索图像总数中相关检索图像的数量？我还可以问一下您在图 13 中使用了哪种 Plot。 37 岁？
没错。这是相应的召回率和精度。如果我说对了，那不是固定的。绘图是使用 matlab 定制的，在每个特定指标中进行迭代。更具体地说，例如精度，对于 9 个内点阈值，我得到 3 个与查询图像相关（来自同一房屋类）/所有检索到的图像高于 9 个阈值，假设为 5。精度（对于 1 类）= 3/5
@Stavros Niafas 非常感谢！现在很清楚了！

【解决方案1】：

我终于找到了我的问题的答案，也许它可以帮助别人！

INFORMATION RETRIEVAL CONTEXT 和 CLASSIFICATION CONTEXT 中的 PRECISION 和 RECALL 计算存在差异。

信息检索：

precision = (relevant documents + retrieved documents) / retrieved documents
recall = (relevant documents + retrieved dcuments) / relevant documents

对于分类上下文，可以说混淆矩阵：

precision = TP/TP+FP
recall = TP/TP+FN

例如，就我而言，不可能使用混淆矩阵。

【讨论】：