CBIR系统的计算召回与精度评价

Question

我用SIFT与其他基于特性的算法(使用OpenCV和Python3)结合实现了一个CBIR，现在我必须评估它们的组合方式(即SIFT/SURF，ORB/ with .)表演。

我发现，我可以使用/({##**$$}\x{e76f}\\{e76f}我知道TP是正确的正数，FN是未返回的相关文档，FP是返回但不相关的文档。

我用BF计算我的火柴，我猜想：

• matches=bf.knnMatch(descriptor1, descriptor2, k=2)是我的TP+FP
• 配给试验找到的火柴是我的TP。

我怎么算我的FN？例如相关但不返回的匹配？

请注意，我只是在提出一个假设，所以如果我错了，请纠正我。

我想在具体的实现方面得到一些帮助，例如这些数据在图像匹配的具体案例中在哪里。

另外，你能建议我如何评估一个基于特征检测和描述的CBIR系统吗？

Answer 1

我终于找到了我的问题的答案，也许它可以帮助别人！

在信息检索上下文和分类上下文中，查全率和查全率计算存在差异。

用于信息检索：

precision = (relevant documents + retrieved documents) / retrieved documents
recall = (relevant documents + retrieved dcuments) / relevant documents

对于分类上下文，可以讨论混淆矩阵：

precision = TP/TP+FP
recall = TP/TP+FN

例如，在我的例子中，不可能使用混淆矩阵。