首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >ReID:通用性能评价标准

ReID:通用性能评价标准

作者头像
chaibubble
发布2021-03-22 12:08:51
发布2021-03-22 12:08:51
93300
代码可运行
举报
运行总次数:0
代码可运行

简介

Market-1501是行人重识别领域最为常用的benchmark,数据集在清华大学校园中采集,夏天拍摄,在 2015 年构建并公开。它包括由6个摄像头(其中5个高清摄像头和1个低清摄像头)拍摄到的 1501 个行人、32668 个检测到的行人矩形框。每个行人至少由2个摄像头捕获到,并且在一个摄像头中可能具有多张图像。训练集有 751 人,包含 12,936 张图像,平均每个人有 17.2 张训练数据;测试集有 750 人,包含 19,732 张图像,平均每个人有 26.3 张测试数据。3368 张查询图像的行人检测矩形框是人工绘制的,而 gallery 中的行人检测矩形框则是使用DPM检测器检测得到的。该数据集提供的固定数量的训练集和测试集均可以在single-shot或multi-shot测试设置下使用。

结构

代码语言:javascript
代码运行次数:0
运行
复制
Market-1501
  ├── bounding_box_test
       ├── 0000_c1s1_000151_01.jpg
       ├── 0000_c1s1_000376_03.jpg
       ├── 0000_c1s1_001051_02.jpg
  ├── bounding_box_train
       ├── 0002_c1s1_000451_03.jpg
       ├── 0002_c1s1_000551_01.jpg
       ├── 0002_c1s1_000801_01.jpg
  ├── gt_bbox
       ├── 0001_c1s1_001051_00.jpg
       ├── 0001_c1s1_009376_00.jpg
       ├── 0001_c2s1_001976_00.jpg
  ├── gt_query
       ├── 0001_c1s1_001051_00_good.mat
       ├── 0001_c1s1_001051_00_junk.mat
  ├── query
       ├── 0001_c1s1_001051_00.jpg
       ├── 0001_c2s1_000301_00.jpg
       ├── 0001_c3s1_000551_00.jpg
  └── readme.txt

介绍

  • bounding_box_test文件夹用于测试集的 750 人,包含 19,732 张图像,前缀为 0000 表示在提取这 750 人的过程中DPM检测错的图(可能与query是同一个人),-1 表示检测出来其他人的图(不在这 750 人中)
  • bounding_box_train文件夹用于训练集的 751 人,包含 12,936 张图像
  • query文件夹为 750 人在每个摄像头中随机选择一张图像作为query,因此一个人的query最多有 6 个,共有 3,368 张图像
  • gt_query文件夹中存储matlab格式的标注文件,用于判断一个query的哪些图片是好的匹配(同一个人不同摄像头的图像)和不好的匹配(同一个人同一个摄像头的图像或非同一个人的图像)
  • gt_bbox为手工标注的bounding box,用于判断DPM检测的bounding box是不是一个好的box

命名规则

以 0001_c1s1_000151_01.jpg 为例 1) 0001 表示每个人的标签编号,从0001到1501; 2) c1 表示第一个摄像头(camera1),共有6个摄像头; 3) s1 表示第一个录像片段(sequece1),每个摄像机都有数个录像段; 4) 000151 表示 c1s1 的第000151帧图片,视频帧率25fps; 5) 01 表示 c1s1_001051 这一帧上的第1个检测框,由于采用DPM检测器,对于每一帧上的行人可能会框出好几个bbox。00 表示手工标注框

评价指标

Rank1

Rank1是我们在阅读ReID相关论文中最常见的两个指标之一,它的计算如下: 1)首先定义一个指示函数表示 q,i 两张图片是否具有相同标签:

2)那么计算rank1时,只需统计所有查询图片与他们的第一个返回结果是否相同,Q为全体查询图片query的集合, 为q这张查询图片对应的图像库中第 i 个返回结果的标签:

Rank1可以表示图像的第一检索目标的准确率,同样的计算方式也可以获得Rank5,Rank10等指标。

MAP

在ReID中MAP表示所有检索结果的准确率,是常用的两个ReID指标之一。计算过程如下:

  1. P:精度,即对某一张probe图片,计算前k个返回结果中与查询图片相同ID的数量比例。
  2. AP@n:平均精度,即在前n个返回结果中,只对那些返回结果正确的位置的精度进行平均,即nq为q这张查询图片在前k个返回结果中有多少个正确返回结果。
  3. mAP@n:对所有pro图片,均计算其AP,将这些结果求均值。 完整公式如下:
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2021/03/14 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 简介
    • 结构
    • 介绍
    • 命名规则
  • 评价指标
    • Rank1
    • MAP
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档