目标检测评价指标，坐标变化和复杂度计算

最近在自己跑模型。总结了下一些比较杂的一些小计算问题。

评价指标

目标检测：

准确率与召回率。实际就是机器学习中查准率和查全率。 根据IOU计算准确率。不同IOU下计算求平均，即为平均准确率 mAP. 可通过FP曲线来看

速度：每秒识别出图像的帧数。FPS

评价数据集：COCO Cityscapes Pascal VOC等数据集

https://zhuanlan.zhihu.com/p/34179420

人脸检测：

人脸检测和目标检测评价指标差不多。再加一个误检率。

语义分割：

https://zhuanlan.zhihu.com/p/37618829

像素精度：每一类像素正确分类的个数/每一类像素的个数

均像素精度：所有类像素精度平均值

平均交并比：每一类IOU取平均值。其实和目标检测差不多，不过换成像素级别了

权频交并比： 平均交并比的带权重形式

看过少数几篇论文，感觉衡量指标主要还是平均交并比IOU，损失函数也主要按这个计算的

卷积及池化过程中坐标变换（感受野计算）

https://zhuanlan.zhihu.com/p/44106492

https://zhuanlan.zhihu.com/p/26663577

https://zhuanlan.zhihu.com/p/40267131

这四个公式很重要，基本涵盖了有关

1. 为卷积后特征图大小。n_in为输入特征图大小，P为 padding数，K为卷积核大小，s为步长。例 17*17特征图经 3*3卷积，paading 1，步长2.则卷积后输出特征图大小为 9*9

2.  步长积

3. 此公式用来计算感受野大小。r_in为输入上一层感受野，例如，第一层，经过k=3*3，s=2的两次卷积后，感受野大小 1+（3-1）*1=3  3+（3-1）*2=7.此处要注意J_in和J_out区别。 注意此时有空洞卷积的哈，后面还需*dialation 

4. 此公式用来计算特征感受野中心坐标。

给一张其他人博客的例子：

此处还要引入一个坐标对齐的概念。 例如R-CNN中直接S/2取整，而空洞卷积坐标映射是采用双线性差值方式。简单介绍下空洞卷积概念

空洞卷积

 https://zhuanlan.zhihu.com/p/50369448

https://zhuanlan.zhihu.com/p/50937830

优点：

1.下采样在扩大感受野的同时会降低图片分辨率。空洞卷积引入，可扩大感受野，同时很少损失分辨率。

2. 可引入更多的上下文信息，有利于增加识别率

缺点：

空洞卷积可能导致部分局部信息丢失。未解决此种方案引入了不同空洞率的卷积核，之后进行融合。参考Deeplab系列。

空洞卷积感受野计算方式和普通卷积一样，就是把空洞+卷积核看成一个大卷积

卷积网络复杂度计算

https://zhuanlan.zhihu.com/p/31575074

时间复杂度Time~O(M²*K²*C_l-1C_l) M为输出特征图大小，K为卷积核大小，C为通道数

Inception网络使用多个小卷积代替大卷积，感受野相同，且细节提取的更好。同时又大大减小了参数量。

例： 两个3*3 代替 一个5*5 参数量变化：before  M²5*5*K1*K2   after  M²3*3*K1*K2*2   即变为原来的18/25 多次之后参数减小量很可观

 另外此处可分析下1*1 卷积。3*3 卷积前面增加 1*1卷积，之后计算量也可减小。。 引入小卷积作用可从降低复杂度方向来分析。

https://zhuanlan.zhihu.com/p/34204282

此链接为复杂度计算的深入分析，这里不再引入了。。这个复杂度计算还是很有用的。 之前我是做硬件的，复杂度计算是AI芯片面试很大可能性会问到的一个角度。。