ROC曲线

图像检测经典的评估方式——PR曲线，ROC曲线

Keywords: PR curve, ROC curve, Machine Learning, image processing

为了帮助大家理解，比如我们需要检测一个图像中的人，分类器将图像上的每个像素划分为人和非人像素，目标是人，所以检测为人的像素用Positives表示，检测为非人的像素用Negatives来表示，检测到了需要报告，检测到不是需要拒绝，检测到了实际不是则为误报（错误地报告）或错检（非目标当成目标了），该检测到的没有检测到则为漏报或漏检

• True/False = 正确地/错误地

• Positives/Negatives = 识别为目标/识别为非目标 
  这样就容易理解了：

• True positives (TP) = 正确地被识别为目标 的像素 （正确检出）

• False positives (FP) = 错误地被识别为目标 的像素（错检，报多了）
• True negatives (TN) = 正确地被识别为非目标 的像素 （正确拒绝）
• False negatives (FN) = 错误地被识别为非目标 的像素 （漏检，报少了）

这些参数是常用的评估方法的基础。通过这些参数的值我们可以计算出ROC空间和PR空间的一个点，多个图像就可以得到多个点，连成曲线就是所谓的ROC曲线和PR曲线。

1. ROC空间（面向真实结果Gound Truth） 
   横轴 False Positive Rate (FPR) = 非目标像素中错检为目标的比例（越小越好） 
   纵轴 True Positive Rate (TPR) = 目标像素中正确检出的比例（越大越好）

2. PR空间（面向检测结果的正确性） 
   横轴 Recall = TPR 实际目标像素中正确检出的比例（越大越好） 
   纵轴 Precision = 检测出的目标像素中正确的比例，检测精度（越大越好）