什么是ROC曲线？

Question

有人能够解释一下ROC曲线在测试序列中的实际代表性吗？ ROC曲线的一个例子如下图所示。

Answer 1

对原始问题的评论包含一些非常有用的链接，用于理解一般的ROC曲线和所讨论的歧视阈值。以下是尝试理解OP使用的参考文献（参考文献1）以及特定于检测行人问题的更多信息。

如何在（参考文献1）中获得ROC曲线，以及在这种情况下的识别阈值是什么：

1. 运动滤波器和外观滤波器（＆＃34; f_i＆＃34;在方程（2）第156页中）使用＆＃34;积分图像＆＃34;来自视频序列的各种时间/空间差异图像。

2. 使用所有这些过滤器，学习算法构建最佳分类器（（方程（1）第156页中的C），将正例（例如：行人）与负例分开（例如：选择非行人）例子 ）。分类器C是特征F的阈值和，如公式1中给出的。 （1）。功能F是一个过滤器，＆＃34; f_i＆＃34;由特征阈值＆＃34; t_i＆＃34;设定阈值。

3. 在AdaBoost训练期间计算所涉及的阈值（即滤波器阈值，＆＃34; t_i＆＃34;和分类器阈值＆＃34; Theta＆＃34;），选择具有最低加权误差的要素培训实例。

4. 如在（参考文献2）中那样，使用这种分类器的级联来使检测器非常有效。在训练期间，级联增强分类器的每个阶段都使用2250个正例（图5中的例子，第158页）和2250个反例进行训练。

5. 最终的级联检测器在验证序列上运行以获得真阳性率和假阳性率。这是基于将级联检测器的输出（例如，行人的存在或不存在）与基础事实（基于地面事实或视频序列的人工审查在相同区域存在或不存在行人）进行比较。对于整个级联的一组阈值（＆＃34; t_i＆＃34;和＃34; Theta＆＃34;在级联中的所有分类器上），获得某个真阳性率和假阳性率。这将在ROC曲线上做出一点。

6. 可以在此处找到一个简单的MATLAB示例，用于测量一组给定的分类器输出和基本事实的真阳性率和误报率：http://www.mathworks.com/matlabcentral/fileexchange/21212-confusion-matrix---matching-matrix-along-with-precision--sensitivity--specificity-and-model-accuracy

7. 因此，在这种情况下，ROC曲线上的每个点将取决于为所有级联层选择的阈值（因此在这种情况下，判别阈值不是单个数字）。通过一次调整这些阈值，真阳性率和假阳性率变化的输出值（当重复步骤5时）给出ROC曲线上的其他点。

8. 对于动态和静态探测器两种情况都会重复此过程，以获得图中的两条ROC曲线。

请通过ROC上的此链接了解更多优秀的说明和示例：

ROC曲线可用于比较分类器在区分类别时的性能，例如行人与非行人输入样本。 ROC曲线下面积用于衡量分类器区分类别的能力。

引言来自：

（参考文献1）P。Viola，MJ Jones和D. Snow，＆＃34;使用运动和外观模式检测行人＆＃34;，国际计算机视觉杂志63（2），153-161， 2005. [在线：截至2015年4月] http://lear.inrialpes.fr/people/triggs/student/vj/viola-ijcv05.pdf

（参考文献2）P。Viola和M. J. Jones，＆＃34;使用增强级联的简单特征进行快速物体检测。在IEEE计算机视觉和模式识别会议上。有关更多信息，请访问Viola-Jones Algorithm - "Sum of Pixels"?