1. 模型类别
常用的计算机视觉场景1
| 问题基础分类 | 场景 | 说明 |
| ------------ | ---------- | --------------------------------------------------------------------------------------------------------------------------------------------------- |
| 分类 | 分类 | 图像分类是一种有监督的机器学习技术，用来学习和预测给定图像的类别。 |
| 未知 | 相似性判定 | 基于图像相似度是计算给定一对图像的相似度的一种方法。给定一个图像，它允许您识别给定数据集中最相似的图像。 |
| 回归 | 边框检测 | 目标边框检测是一种技术，允许您检测图像中对象的边界框。 |
| 回归 | 关键点检测 | Keypoint detection可用于检测对象上的特定点。提出了一种预训练的人体关节检测模型，用于人体姿态估计。 |
| 未知 | 图像分割 | 基础图像分割为图像中的每个像素指定一个类别。 |
| 位置 | 动作识别 | 基础动作识别，用于在视频/网络摄像头画面中识别执行的动作（例如“跑步”、“开瓶”）以及各自的开始/结束时间。我们还实现了动作识别的i3d实现，可以在下找到。 |
| 时序，概率图 | 追踪 | 基跟踪允许在一段时间内检测和跟踪视频序列中的多个对象。 |
| 未知 | 人群统计 | 用于计算低人群密度（例如少于10人）和高人群密度（例如数千人）情景下的人数。 |
2. 模型指标
2.1. 又好（准确性）
2.1.1. IOU
2.1.2. 精度
2.1.3. 召回
2.1.4. PR: 精度-召回率曲线
Precision-RecallPrecision−Recall 曲线
这条曲线的两个变量程负相关，精度越高，召回率越低；召回率越高，精度越低。
如果将所有对象都预测为正类，没有被错误预测成负类的正类（FN为0）那么召回率将为100%；如果将所有对象的预测都为负，没有被错误预测成正的样本，那么精度就将为100%,这两个指标间存在着此消彼长的关系，理想的曲线是向右上方凸出的、包围面积大的曲线。
2.1.5. AP 平均精度
AP均匀精度Average Precision: PR曲线下所围成的面积，面积越大越好；这里的average指的是针对不同recall的平均精度。
2.1.6. mAP 均值平均精度
均值平均精度（Mean Average Precision, mAP）
2.2. 又快（实时性）
2.2.1. 每秒处理帧数
每秒处理帧数（Frame per seconds,fps）
