物体检测精度，精度和召回 - 在ROC曲线上绘制精确度和召回率 - 这些是可视化和评估图像分类算法结果的最常用方法 .
但是有两种方法可以进行测试 .
分类器可用于对已经裁剪且仅包含要分类的对象的图像中的对象进行分类 .
测试图像也可以是一个大场景，分类器应在其中绘制潜在对象周围的边界框以检测它们 .
我想弄清楚何时使用哪种形式的评估 .
当分类器以第一种测试方式对图像进行分类时，我们是否可以使用ROC曲线来显示性能？
我正在研究的问题是多类分类，超出二进制分类 .
我是否理解第一种类型的测试称为“分类”，第二种称为“检测”？
第二种有时也称为“本地化” .
当你有一些要改变的参数时，你有ROC曲线 - 绘制它 . 否则你只会有分类错误和混淆矩阵 .
您可以从PASCAL VOC http://pascallin.ecs.soton.ac.uk/challenges/VOC/voc2012/results/index.html的结果中举例说明
1 回答
第二种有时也称为“本地化” .
当你有一些要改变的参数时，你有ROC曲线 - 绘制它 . 否则你只会有分类错误和混淆矩阵 .
您可以从PASCAL VOC http://pascallin.ecs.soton.ac.uk/challenges/VOC/voc2012/results/index.html的结果中举例说明