scene graph generation 计算mean recall数据的过程:

news2024/11/11 18:55:14

这里写目录标题

  • 前言:
  • 计算mean recall的详细过程
    • 1. **准备数据**:
    • 2. **计算每个类别的recall**:
    • 具体代码片段
      • 准备groundtruth数据
      • 准备预测数据
      • 计算recall
      • 计算mean recall

前言:

计算流程这里参考maskrcnn_benchmark/data/datasets/evaluation/vg/sgg_eval.py这个scene graph generation benchmark的github官网来完成相关的任务。

计算mean recall的详细过程

以下是如何利用预测三元组和groundtruth三元组计算mean recall的详细过程:

1. 准备数据

使用如下两个变量来分别保存groundtruth三元组和predicate的三元组

  • prepare_gt方法会处理groundtruth三元组数据,并将其存储在一个字典中。
  • prepare_pred方法会处理预测三元组数据,并将其存储在一个字典中。

2. 计算每个类别的recall

  • calculate_recall方法会遍历所有的groundtruth和predicate数据计算每个关系类别的recall
  • 对于每个类别,计算公式为:
    在这里插入图片描述
    其中,TP是True Positives,FN是False Negatives。(这句的意思看这句代码就理解了,即:float(len(match)) / float(gt_rels.shape[0])也就是说,(正确匹配的三元组)/所有groundtruth三元组
  1. 计算mean recall
    • calculate_mean_recall方法会计算所有类别的平均recall。

    • 首先,计算每个类别的recall

    • 然后,计算所有类别recall的平均值
      在这里插入图片描述

      其中,Recall_i是第i个关系类别的recall,N是类别的总数。

具体代码片段

以下是一些关键代码片段的解释:(这些片段是从github文件中专门拿出来的)

准备groundtruth数据

def prepare_gt(self):
    for gt in self.gts:
        gt_entry = {}
        gt_entry['relations'] = gt['relations']
        gt_entry['boxes'] = gt['boxes']
        gt_entry['labels'] = gt['labels']
        self.gt_entries.append(gt_entry)

准备预测数据

def prepare_pred(self):
    for pred in self.preds:
        pred_entry = {}
        pred_entry['relations'] = pred['relations']
        pred_entry['boxes'] = pred['boxes']
        pred_entry['labels'] = pred['labels']
        self.pred_entries.append(pred_entry)

计算recall

注意这里的TP和FN,就是上面公式了的TP和FN

def calculate_recall(self):
    for i, gt_entry in enumerate(self.gt_entries):
        pred_entry = self.pred_entries[i]
        for rel in gt_entry['relations']:
            gt_rel = (rel[0], rel[1], rel[2])
            if gt_rel in pred_entry['relations']:
                self.tp[rel[2]] += 1
            else:
                self.fn[rel[2]] += 1

计算mean recall

def calculate_mean_recall(self):
    recalls = []
    for i in range(self.num_rel_classes):
        if self.tp[i] + self.fn[i] > 0:
            recalls.append(self.tp[i] / (self.tp[i] + self.fn[i]))
    mean_recall = sum(recalls) / len(recalls)
    return mean_recall

通过这些方法,你可以计算出每个类别的recall,并进一步计算出mean recall。希望这些解释对你理解这段代码有所帮助!如果有更多问题,请随时问我。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2127321.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

为AppInventor2开发自己的拓展(Extension) - 拓展开发入门篇

//为什么需要开发拓展?// App Inventor 2 是积木式在线安卓开发环境,利用拖拽式的方式实现代码块堆叠,从而完成相应的逻辑。 上手很容易,但是由于代码块提供的功能有限,使用比较单一,在开发上有很大的局限…

计算机视觉的应用32-基于Swin Transformer模型的嵌入混合注意力机制的人脸表情识别的应用

大家好,我是微学AI,今天给大家介绍一下计算机视觉的应用32-基于Swin Transformer模型的嵌入混合注意力机制的人脸表情识别的应用。随着深度学习技术的不断演进,计算机视觉领域迎来了诸多变革,其中 Transformer 架构的引入&#xf…

脑电实验打mark【Eprim中打mark】

文章目录 脑电实验打mark一、端口号查询二、并口打mark 脑电实验打mark 一、端口号查询 右击我的电脑–>管理–>设备管理器–>端口 二、并口打mark 在整个流程最前面添加inline控件: 需要打mark的控件名.onsetsignalenabledTrue //去送信 需要打mark的…

助力汽车零部件产业发展,2025 第十二届广州国际汽车零部件加工技术及汽车模具展览会与您相约“羊城”广州

助力汽车零部件产业发展,2025 第十二届广州国际汽车零部件加工技术及汽车模具展览会与您相约“羊城”广州 汽车零部件是支撑汽车工业持续健康发展的必要因素,为汽车的正常运行和安全性能提供了保障。近年来,中国汽车零部件行业受到各级政府的…

基于SpringBoot+Vue的线上考试系统

作者:计算机学姐 开发技术:SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、小程序等,“文末源码”。 专栏推荐:前后端分离项目源码、SpringBoot项目源码、SSM项目源码 系统展示 【2025最新】基于JavaSpringBootVueMySQL的线上考试…

【C语言】内存函数详细讲解

文章目录 前言strerror的声明和使用字符串分类函数字符转换函数内存拷贝函数(memcpy)memcpy的声明和使用memcpy函数的模拟实现 内存拷贝函数(memmove)memmove的声明和使用memmove模拟实现 内存比较函数(memcmp)memcmp的…

【数字ic自整资料】常见串行总线协议

参考链接 IIC总线的原理与Verilog实现_iic verilog-CSDN博客 I2C(IIC)的仲裁、时钟同步和时钟扩展_i2c,clock stretch波形-CSDN博客 精解IIC协议_iic写数据-CSDN博客 串行通信——UART总结-CSDN博客 SPI协议详解(图文并茂超详细&#xf…

java.lang.IllegalAccessError: class lombok.javac.apt.LombokProcessor

更换JDK java.lang.IllegalAccessError: class lombok.javac.apt.LombokProcessor (in unnamed module 0x3302035b) cannot access class com.sun.tools.javac.processing.JavacProcessingEnvironment (in module jdk.compiler) because module jdk.compiler does not export …

【大模型推理】大模型前向推理过程详解

文章目录 前期准备环境安装下载模型Qwen2-7b模型架构vscode配置launch.json文件 前向推理debug深入分析预测第一个next_token预测第二个next_token 为了搞清楚,大模型前向推理的具体流程,本文以Qwen2-7B-Instruct为例,通过直接debug官方推理示…

战外网配置——光猫桥接+路由器PPPoE拨号+防火墙外网链路健康检查+外网流量负载均衡

一、适用场景: 1、企业规模较大时,1条公网带宽流量可能不足,需要用到多条公网出口时。 2、企业有业务需要静态ip映射,但是因静态ip专线价格较高,所以需要拨号光纤承载较多的下行流量。 3、当公网出口有多条链路&#…

最大矩阵和

题目描述 给定一个二维整数矩阵&#xff0c;要在这个矩阵中选出一个子矩阵. 使得这个子矩阵内所有的数字和尽量大&#xff0c;我们把这个子矩阵称为和最大子矩阵 子矩阵的选取原则是原矩阵中一块相互连续的矩形区域。 输入描述 输入的第一行包含2个整数n,m(1< n,m< 10…

C++设计模式——Interpreter解释器模式

一&#xff0c;解释器模式的定义 解释器模式是一种行为型设计模式&#xff0c;它用于定义一个语言的文法并解析语言中的表达式&#xff0c;使开发者可以实现自定义语言&#xff0c;并通过解释器对语言中的表达式进行解析和执行。 解释器模式主要用于解决对特定表达式的解析与…

python-游戏自动化(三)(实战-豆腐女孩)

前提准备 特别注意&#xff1a; 本节教程所演示的模拟器分辨率设置为 720x1080&#xff08;手机版&#xff09;&#xff0c;电脑分辨率设置大720x1080并且没有设置放大。 今天的课程开始之前我们来回顾一下昨天所学的知识内容&#xff0c;因为今天要学的内容和昨天内容…

CogView-3-Plus:深度解锁智谱AI的图像生成新力量

一、引言&#xff1a;AI助力创意与效率的全面提升 在如今这个瞬息万变的科技时代&#xff0c;AI大模型早就不是实验室里的“神秘武器”&#xff0c;它们已经实实在在地融入到我们的日常工作中了&#xff0c;尤其是在图像生成和内容创作这块儿&#xff0c;简直是效率神器。只要几…

Leetcode3270. 求出数字答案

Every day a Leetcode 题目来源&#xff1a;3270. 求出数字答案 解法1&#xff1a;模拟 按题意模拟。 代码&#xff1a; /** lc appleetcode.cn id3270 langcpp** [3270] 求出数字答案*/// lc codestart class Solution { public:int generateKey(int num1, int num2, int…

基于python+django+vue鲜花商城系统

作者&#xff1a;计算机学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等&#xff0c;“文末源码”。 专栏推荐&#xff1a;前后端分离项目源码、SpringBoot项目源码、SSM项目源码 系统展示 【2025最新】基于pythondjangovueMySQL的线…

反射(java)

一、junit单元测试框架 1、单元测试 就是针对最小的功能单元&#xff08;方法&#xff09;&#xff0c;编写测试代码对其进行正确性测试。 之前的是如何进行单元测试的&#xff1f; 有啥问题&#xff1f; 1、只能在ma方法编写测试代码&#xff0c;去调用其他方法进行测试。…

CCS811二氧化碳传感器详解(STM32)

目录 一、介绍 二、传感器原理 1.原理图 2.引脚描述 3.工作原理介绍 三、程序设计 main.c文件 ccs811.h文件 ccs811.c文件 四、实验效果 五、资料获取 项目分享 一、介绍 CCS811模块是一种气体传感器&#xff0c;可以测量环境中TVOC(总挥发性有机物质)浓度和eCO2…

OPPO 全家桶:Find X8/Pro、Pad3 Pro与Enco X3即将10月登场

随着科技的不断发展&#xff0c;智能手机、平板电脑和耳机等电子产品已经成为我们日常生活中不可或缺的一部分。 作为全球知名的科技企业&#xff0c;OPPO一直致力于为消费者提供优质的产品和服务。 近日&#xff0c;有关OPPO全家桶将在10月份“凑齐”的消息引起了广泛关注。…

Elemnt-UI + 递归组件实现后台管理系统左侧菜单

Elemnt-UI 递归组件实现后台管理系统左侧菜单 在 Vue.js 中&#xff0c;允许你编写一个组件来表示一个节点&#xff0c;而这个节点可以包含多个子节点&#xff0c;每个子节点又可以是同样的组件。这种方式使得组件能够处理无限层级的嵌套结构。 应用场景 递归组件非常适合处…