“每个窗口误报”的含义

Question

在用于人体检测的定向梯度直方图（Navneet Dalal和Bill Triggs）（见下面的链接）中，为了可视化它们的结果，它们使用ROC曲线，其中Y轴是TP和X轴 FPPW（每个窗口误报）。

这句话FFPW的含义是什么？

我想到了3种可能的选择......我不知道 - 也许所有这些都是错的。我们将非常感谢您的帮助：

1. 也许这是错误分类的阴性样本的比率，即：(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_NEGATIVE_SAMPLES)

2. 或许这是每个真实警报的误报率，即：(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_TRUE_POSITIVES)

3. 或者也许是whle图像中每个真实窗口的误报率， 这是：(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_TRUE_SAMPLES)

我很高兴知道其中一个是否正确，或者你是否知道其他正确的定义。

链接到论文： （https://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf）

Answer 1

它似乎被定义为NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_WINDOWS，其中检测窗口是64x128移动窗口。请注意在第4节的最后一段中说明：

... In a multiscale detector it corresponds to a raw error rate of about 0.8 false positives per 640×480 image tested.

Answer 2

我也有同样的困惑。作者声明他们正在使用 DET曲线。当您查看有关DET曲线的多个examples时，您会发现x轴实际上是假阳性率。这意味着FPPW为FALSE_POSITIVE_RATE。

因此FPPW = NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_NEGATIVE_SAMPLES

Answer 3

他们有一个窗口，他们在图像中移动并评估它是否显示人类。 FPPW衡量他们在探测器窗口内检测其他东西的频率。它以独立于图像大小或特定图像上的人数的方式描述其分类的质量。

所以基本上他们会计算他们的愚蠢的计算机多久会说“是的，这是一个人”，当他们向它展示一些摇滚或冰淇淋时。