Как построить кривую ROC детектора, созданного TrainCascadeObjectDetector?

Question

в моем проекте для обнаружения объектов в изображениях я использую TrainCascadeObjectDetector функцию MATLAB вы можете увидеть также here, это использование функции OpenCV поезд каскада и для подготовки набора изображений (позитивы и негативы):

позитивы: изображения содержат объект интереса.

негативы: изображения dosen't содержат объект, представляющий интерес, но должны содержать заднюю часть позитивов для большей точности после тренировки.

Эта функция Requier также некоторые параметры:

-количество каскадных стадий.

-True Положительная ставка.

-False Уровень сигнала.

-Национальные образцы.

-Object Training Size.

-характерный тип (HOG, LBP, Haar).

Я использую HOG (гистограммы ориентированных градиентов), и результат этой функции является XML-файл:

trainCascadeObjectDetector(outputXMLFilename,positiveInstances,negativeImages) 

я использовать выход для локализации объекта интереса в изображениях с помощью:

detector = vision.CascadeObjectDetector(XMLFILE) 

так что я в итоге с которым детектор я использовать его для рисования габаритного прямоугольника:

BBOX = step(detector) 

Я хочу оценить эффективность моих результатов, я обнаружил, что можно нарисовать кривую ROC, here мой вопрос. ROC - истинная положительная положительная динамика с положительной скоростью VS, поэтому это более требовательное значение TPR и FPR. Глобальная TPR и FPR рассчитывает таким образом:

TruePositiveRate^numberOfStages and FalseAlarmRate^numberOfStages 

Но они только 2 значения и не unalf для построения кривой. Я попробовал также иметь TPR и FPR, выполнив бинарный компарадион с этого topic, я сделал это, сравнив мои оригинальные изображения истинности и изображения результатов и взял максимальные FPR и TPR. Теперь у меня есть 1 TPR и 1 FPR для всех изображений финальной стадии. Как получить остальных с предыдущих этапов?

Мой GUI:

Answer 1

Рух определяется для параметризованных классификаторов, где каждый непрерывный параметр, который влияет на FPR/TPR имеет свою собственную кривую. Вы можете аппроксимировать эту кривую, неоднократно выбирая различные значения параметра, а затем выполняете проверку, установленную через ваш классификатор.