Что такое кривая ROC?

Question

Может ли кто-то быть достаточно любезен, чтобы объяснить, что на самом деле представляет кривая ROC относительно отслеживания в тестовой последовательности, пожалуйста? Пример кривой ROC показан на рисунке ниже.

Answer 1

Комментарии к первоначальному вопросу содержат некоторые очень полезные ссылки, чтобы понять кривые РПЦ в целом и порог дискриминации в вопросе. Вот попытка понять ссылку (ссылка 1), используемую ОП, и дополнительную информацию, относящуюся к проблеме обнаружения пешеходов.

Как Кривые ROC получаются и что порог дискриминации в этом случае (ссылка 1.).

1. движения фильтров и внешний вид фильтров, («f_i» в уравнении (2) р 156) оцениваются с использованием «интегрального изображения» различных временных/пространственных разностных изображений из видеопоследовательностей.

2. Используя все эти фильтры, алгоритм обучения строит лучший классификатор (C в уравнении (1), стр. 156), отделяя положительные примеры (например, пешеходов) от негативных примеров (например: выбор не-пешеходных примеров). Классификатор C представляет собой пороговую сумму признаков F, как указано в уравнении (1). Особенностью F является фильтр «f_i», порождаемый порогом функции «t_i».

3. Приведенные пороговые значения (то есть пороги фильтра, «t_i» и порог классификатора «Theta») вычисляются во время обучения AdaBoost, который выбирает функции с наименьшей взвешенной ошибкой на примерах обучения.

4. Как и в [2], каскад таких классификаторов используется, чтобы сделать детектор чрезвычайно эффективным. Во время обучения каждый этап каскадного ускоренного классификатора обучается с использованием 2250 положительных примеров (пример на рисунке 5 стр. 158) и 2250 отрицательных примеров.

5. Последний каскадный детектор запускается через последовательности проверки, чтобы получить истинную положительную скорость и ложную положительную скорость. Это основано на сравнении выхода каскадного детектора (например, наличия или отсутствия пешехода) на основную истину (наличие или отсутствие пешехода в том же регионе на основе истины или ручного просмотра видеопоследовательности). Для набора пороговых значений для всего каскада («t_i» и «Theta» по всему классификатору в каскаде) получается определенная истинная положительная скорость и ложноположительная скорость. Это сделает одну точку кривой ROC.

6. Простой пример MATLAB для измерения Истинный уровень позитивных и ложных срабатываний из заданного набора классификатора выходов и земли истины можно найти здесь: http://www.mathworks.com/matlabcentral/fileexchange/21212-confusion-matrix---matching-matrix-along-with-precision--sensitivity--specificity-and-model-accuracy

7. Так что в этом случае каждая точка на кривой ROC будет зависеть от пороговых значений, выбранных для всех каскадных слоев (следовательно, дискриминационный порог в данном случае не является единственным числом). Регулируя эти пороговые значения, по одному, выходные значения истинной положительной скорости и изменения ложной положительной скорости (когда шаг 5 повторяется) дают другие точки на кривой ROC.

8. Этот процесс повторяется для обоих случаев динамических и статических детекторов для получения двух кривых ROC на рисунке.

Пожалуйста, пройти через некоторые более хорошее описание и примеры по этой ссылке на ROC:

кривые ROC могут быть использованы для сравнения производительности классификаторов в различении между классами, как, например, пешеход по сравнению с не-пешехода входные образцы. Область под кривой ROC используется как мера способности классификатора различать классы.

Цитаты взяты из:

(. Ссылка 1) П. Viola, MJ Джонс, Д. Сноу, "Обнаружение Пешеходов Использование Узоры движения и внешний вид", Международный журнал Computer Vision 63 (2), 153-161, 2005. [онлайн: по состоянию на апрель 2015 года] http://lear.inrialpes.fr/people/triggs/student/vj/viola-ijcv05.pdf

[2] P. Viola and MJ Jones, «Быстрое обнаружение объектов с использованием расширенного каскада простых функций. На конференции IEEE по компьютерному зрению и Распознавание образов. Дополнительная информация на Viola-Jones Algorithm - "Sum of Pixels"?