我正在进行计算机视觉领域的毕业设计,我只参加了一门课程,讨论了非常基本的概念,现在我在相当高级的课题上面临更多困难,所以我需要帮助(书,教程,课程,..等)掌握和回顾统计学中的基本思想和概念,然后深入研究计算机视觉中使用的细节(统计细节)。
答案 0 :(得分:16)
您可以使用此混淆矩阵PyTorch示例来计算误报/误报等:
import torch
def confusion(prediction, truth):
""" Returns the confusion matrix for the values in the `prediction` and `truth`
tensors, i.e. the amount of positions where the values of `prediction`
and `truth` are
- 1 and 1 (True Positive)
- 1 and 0 (False Positive)
- 0 and 0 (True Negative)
- 0 and 1 (False Negative)
"""
confusion_vector = prediction / truth
# Element-wise division of the 2 tensors returns a new tensor which holds a
# unique value for each case:
# 1 where prediction and truth are 1 (True Positive)
# inf where prediction is 1 and truth is 0 (False Positive)
# nan where prediction and truth are 0 (True Negative)
# 0 where prediction is 0 and truth is 1 (False Negative)
true_positives = torch.sum(confusion_vector == 1).item()
false_positives = torch.sum(confusion_vector == float('inf')).item()
true_negatives = torch.sum(torch.isnan(confusion_vector)).item()
false_negatives = torch.sum(confusion_vector == 0).item()
return true_positives, false_positives, true_negatives, false_negatives
您可以使用nn.BCEWithLogitsLoss(因此删除S型信号),并将pos_weight> 1设置为增加调用率。或使用Dice Coefficients对模型进行假阳性惩罚,以进一步优化模型,例如:
def Dice(y_true, y_pred):
"""Returns Dice Similarity Coefficient for ground truth and predicted masks."""
#print(y_true.dtype)
#print(y_pred.dtype)
y_true = np.squeeze(y_true)/255
y_pred = np.squeeze(y_pred)/255
y_true.astype('bool')
y_pred.astype('bool')
intersection = np.logical_and(y_true, y_pred).sum()
return ((2. * intersection.sum()) + 1.) / (y_true.sum() + y_pred.sum() + 1.)
IOU计算说明
左侧是我们的基本事实,而右侧则是我们的预测。左侧突出显示的单元格指示我们正在右侧查看统计信息的类。右侧的高亮显示乳白色的真阳性,橙色的假阳性,黄色的假阴性(请注意,所有其他均为真阴性-它们被预测为单独的此类,不应基于真实的事实。 )。
对于类0,仅4x4矩阵的第一行应被预测为零。这是真实事实的相当简化的版本。实际上,零可能在矩阵中的任何位置。在右侧,我们看到1,0,0,0,这意味着第一个是假阴性,而其他三个是真阳性(对于Intersection也称为3)。从那里,我们需要找到错误地预测零的其他任何地方,并且我们注意到在第二行中发生了一次,在第四行中发生了两次,总共出现了三个误报。 为了获得并集,我们将TP(3),FP(3)和FN(1)相加得到七个。因此,此类的IOU为3/7。
如果我们对所有类别都这样做并平均IOU,则会得到:
Mean IOU = [(3/7) + (2/6) + (3/4) + (1/6)] / 4 = 0.420
您还需要了解如何提取 mAP(平均平均精度)的统计信息:
计算协方差矩阵
变量的方差描述了值的分散程度。协方差是衡量两个变量之间依赖性的量度。
正协方差意味着当第二变量的值也很大时,第一变量的值就很大。负协方差表示相反的含义:一个变量的大值与另一个变量的小值相关。
协方差值取决于变量的大小,因此很难对其进行分析。可以使用更容易解释的相关系数。相关系数就是归一化的协方差。
正协方差意味着一个变量的较大值与另一个变量的较大值相关联(左)。负协方差意味着一个变量的大数值与另一个变量的小数值相关联(右)。
协方差矩阵是一个汇总一组向量的方差和协方差的矩阵,它可以告诉您很多有关变量的信息。对角线对应于每个向量的方差:
向量的长度为n,向量的平均值为x̄。例如,A的第一列向量的方差为:
这是我们协方差矩阵的第一个单元格。对角线上的第二个元素对应于第二列向量与A的方差,依此类推。
注意:从矩阵A提取的向量对应于A的列。
其他单元格对应于来自A的两个列向量之间的协方差。例如,第一列和第三列之间的协方差位于协方差矩阵中,作为列1和行3(或列3和列3)。第1行):
协方差矩阵中的位置。列对应于第一个变量,行对应于第二个变量(或相反)。 A的第一列和第三列向量之间的协方差是第1列和第3行中的元素(或相反=相同的值)。
让我们检查A的第一列向量和第三列向量之间的协方差是否等于-2.67。两个变量X和Y之间的协方差公式为:
在最后一个示例中,变量X和Y是第一列向量和第三列向量。让我们分解一下这个公式,以确保它非常清晰:
除以向量中元素的数量。
代码示例-
使用NumPy,可以使用函数np.cov计算协方差矩阵。
值得注意的是,如果希望NumPy将列用作向量,则必须使用参数rowvar = False。另外,bias = True除以n而不除以n-1。
首先创建数组:
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
A = np.array([[1, 3, 5], [5, 4, 1], [3, 8, 6]])
现在,我们将使用NumPy函数计算协方差:
np.cov(A, rowvar=False, bias=True)
用点积查找协方差矩阵
还有另一种计算A的协方差矩阵的方法。您可以将A围绕0居中。从向量的每个元素中减去向量的均值,得到一个向量均值为0的向量。自己移调,然后除以观察数。
让我们从一个实现开始,然后我们将尝试理解与前面的等式的链接:
def calculateCovariance(X):
meanX = np.mean(X, axis = 0)
lenX = X.shape[0]
X = X - meanX
covariance = X.T.dot(X)/lenX
return covariance
print(calculateCovariance(A))
输出:
array([[ 2.66666667, 0.66666667, -2.66666667],
[ 0.66666667, 4.66666667, 2.33333333],
[-2.66666667, 2.33333333, 4.66666667]])
如果我们有矩阵A,则A及其转置之间的点积将为您提供一个新的矩阵:
可视化数据和协方差矩阵
为了获得有关协方差矩阵及其有用性的更多见解,我们将创建一个函数以将其与2D数据一起可视化。您将能够看到协方差矩阵与数据之间的链接。
如上所述,此函数将计算协方差矩阵。它将创建两个子图-一个用于协方差矩阵,另一个用于数据。 Seaborn的heatmap()函数用于创建颜色的渐变-小值将用浅绿色着色,大值将用深蓝色着色。我们选择了一种调色板颜色,但您可能更喜欢其他颜色。数据表示为散点图。
def plotDataAndCov(data):
ACov = np.cov(data, rowvar=False, bias=True)
print 'Covariance matrix:\n', ACov
fig, ax = plt.subplots(nrows=1, ncols=2)
fig.set_size_inches(10, 10)
ax0 = plt.subplot(2, 2, 1)
# Choosing the colors
cmap = sns.color_palette("GnBu", 10)
sns.heatmap(ACov, cmap=cmap, vmin=0)
ax1 = plt.subplot(2, 2, 2)
# data can include the colors
if data.shape[1]==3:
c=data[:,2]
else:
c="#0A98BE"
ax1.scatter(data[:,0], data[:,1], c=c, s=40)
# Remove the top and right axes from the data plot
ax1.spines['right'].set_visible(False)
ax1.spines['top'].set_visible(False)
不相关的数据
现在有了图函数,我们将生成一些随机数据以可视化协方差矩阵可以告诉我们的内容。我们将从使用NumPy函数np.random.normal()从正态分布中提取的一些数据开始。
此函数需要均值,标准差和分布的观察次数作为输入。我们将创建两个300个观测值的随机变量,标准偏差为1。第一个变量的平均值为1,第二个变量的平均值为2。如果我们从正态分布中随机抽取两组300个观测值,则两个向量均为不相关。
np.random.seed(1234)
a1 = np.random.normal(2, 1, 300)
a2 = np.random.normal(1, 1, 300)
A = np.array([a1, a2]).T
A.shape
注1:由于原始形状为(2,300),并且我们希望将观察点数作为行(因此形状为(300,2)),所以我们用.T换位数据。
注2:我们使用np.random.seed函数来提高可重复性。下次运行单元时,将使用相同的随机数。让我们检查数据的外观:
A[:10,:]
array([[ 2.47143516, 1.52704645],
[ 0.80902431, 1.7111124 ],
[ 3.43270697, 0.78245452],
[ 1.6873481 , 3.63779121],
[ 1.27941127, -0.74213763],
[ 2.88716294, 0.90556519],
[ 2.85958841, 2.43118375],
[ 1.3634765 , 1.59275845],
[ 2.01569637, 1.1702969 ],
[-0.24268495, -0.75170595]])
好的,我们有两个列向量;现在,我们可以检查分布是否正常:
sns.distplot(A[:,0], color="#53BB04")
sns.distplot(A[:,1], color="#0A98BE")
plt.show()
plt.close()
我们可以看到分布具有相等的标准偏差,但均值不同(1和2)。这正是我们所要的。
现在,我们可以使用函数绘制数据集及其协方差矩阵:
plotDataAndCov(A)
plt.show()
plt.close()
Covariance matrix:
[[ 0.95171641 -0.0447816 ]
[-0.0447816 0.87959853]]
我们可以在散点图上看到这两个维度是不相关的。请注意,我们有一维的平均值为1(y轴),另一维的平均值为2(x轴)。
此外,协方差矩阵显示每个变量的方差非常大(大约1),而列1和2的协方差很小(大约0)。因为我们确保两个向量是独立的,所以这是相干的。相反的情况不一定正确:covariance of 0 doesn’t guarantee independence。
相关数据
现在,让我们从另一列中指定一列来构造依赖数据。
np.random.seed(1234)
b1 = np.random.normal(3, 1, 300)
b2 = b1 + np.random.normal(7, 1, 300)/2.
B = np.array([b1, b2]).T
plotDataAndCov(B)
plt.show()
plt.close()
Covariance matrix:
[[ 0.95171641 0.92932561]
[ 0.92932561 1.12683445]]
二维关系在散点图上可见。我们可以看到一条线可以用来从x预测y,反之亦然。协方差矩阵不是对角线(对角线之外有非零像元)。这意味着维度之间的协方差不为零。
从此时开始,使用协方差矩阵,您可以进一步研究以下内容:
答案 1 :(得分:0)