如何对目标检测结果进行 FN / FP 分析

什么是FN / FP?

在计算机视觉领域中，FN（False Negative）和FP（False Positive）是两个重要的概念，用于评估模型的性能。

• FN（False Negative）：指模型未能正确地识别图像中存在的目标或特征。
• FP（False Positive）：指模型错误地将不存在的目标或特征识别为存在。

在深度学习模型的训练过程中，FN和FP都会对模型的性能产生重要影响，因此它们是进行模型评估和优化的重要指标。

前置条件

1. 数据集里导入Ground Truth结果。
2. 数据集里导入用户的预测结果集合。
3. 目前只支持对 Detection 标注类型进行 FN / FP 分析。

使用

进入分析模式

1. 点击顶部菜单栏的’分析‘。
2. 选择需要对比的预测结果集，并点击‘分析 FN / FP’按钮进入分析模式。

分析入口

进行分析

系统会预先计算好0.1～0.9 Precision条件下的置信度阈值以及对应的FN / FP结果。

Confidence计算

如何看懂不同蒙层颜色的框

• 红色蒙层框：代表为FN，只会出现在GT中，表示漏检。
• 蓝色蒙层框：代表为FP，只会出现在预测结果集中，表示错检。
• 无蒙层框：标注预测结果集和GT匹配符合预期。

颜色意义

支持的排序选项

• 支持选择不同预设的置信度阈值作为基准进行排序。
• 支持选择根据图片计算出的FN数目或FP数目从大到小对图片进行排序。

排序选项

支持的展示选项

• 支持覆盖对比以及平铺对比两种对比方式。
• 支持控制是否展示GroundTruth中匹配预测结果集的框、以及预测结果集漏检的框。
• 支持控制是否展示预测结果集中匹配GroundTruth的框、以及预测结果集错键检的框。
• 支持动态展示当前排序条件下不同的置信度阈值下对应的计算结果。

展示选项

更多演示如下：