Question

我在MATLAB中制作了一个CBIR系统，并使用相似度测量作为欧氏距离。对每个查询图像使用它，我检索前20个图像。

我使用WANG Dataset来测试我的系统它包含10个类（如非洲人，公共汽车，玫瑰等），每个类别包含100个图像。（总共1000个图像）。

我的方法：
1.我使用Correlogram，共现矩阵（CCM）和像素扫描模式（DBPSP）之间的差异来构建我的向量（分别为64 + 196 + 28 = 288维）。

1000 db图像中的每一个都预先构造了它的矢量。
现在出现了一个查询图像，我也构建了它的向量（再次是228维）。
我使用Euclidean Distance进行相似度，并按照其欧几里德距离的降序对db图像矢量进行排序。
显示前20个结果。
在那20个我可以有TP或FP。

对于单个查询图像，我可以使用此link轻松计算精度和召回并绘制PR曲线。

我怎样才能为全班做同样的事？

我的方法：对于属于A类的每个图像，找到前20个图像，它分别是TP（真阳性）和FP（假阳性）。

        TP   FP

Image1  17   3  
Image2  15   5  
...  
...  
Image100  10  10  
Total   1500 500

A级精度= 1500 /（2000）= .75（是不是？）
召回A级---＆gt;被困？ PR曲线----＆gt;卡住？？有些链接说我需要一个分类器，有些不是......我真的很困惑。

Answer 1

正如您所指出的，您可以按如下方式计算精度。

P = TP ./ ( TP + FP );

但是，您需要拥有FN或总失败次数来计算召回率。作为discussed in chat，您需要找到一种方法来确定您的FN和FP数据。然后，您可以使用以下公式计算召回率。

R = TP ./ ( TP + FN )

如果您有混淆矩阵或数据，可以使用我的自定义confusionmat2f1.m来计算精度，召回率和f1分数。这假设混淆矩阵的格式为Matlab defines it。每行的解释是内联的。如果您想进一步澄清，请告诉我。

function [F,P,R] = confusionmat2f1( C )
    %% confusionmat2f1( C )
    %
    % Inputs
    % C - Confusion Matrix
    %
    % Outputs
    % F - F1 score column vector
    % P - Precision column vector
    % R - Recall column vector

    %% 

    % Confusion Matrix to Probability
    M = sum( C, 3 );

    % Calculate Precision
    P = diag(M) ./ sum(M,1)';

    % Calculate Recall
    R = diag(M) ./ sum(M,2);

    % Calculate F1 Score
    F = f1( P, R );

计算王数据库的精度和召回率

1 个答案: