작성
·
170
1
안녕하세요. 선생님.
강의 잘 듣고 있습니다.
질문이 2가지 있습니다.
1. IoU 실습에서 41개 나오던게 53개 나온거
이거 강의중에 random 값 때문에 그런거 같다고 하셨는데, 그게 아니라 직접 그리신 빨간선까지 포함되어서 그런것같습니다.
빨간선을 img_rgb에 직접 그리셔서, 이게 포함되다보니 bounding box가 몇개 추가된것같아요.
그래서 실제로 IoU 제일 높은 두 bounding box는 빨간 선 가장자리에 생깁니다.
2. 재현율과 정밀도
재현율과 정밀도 단원에서, 설명하시면서 새를 새로 예측하는지, 고양이로 잘못예측하지는 않는지 이런 그림이 있었잖아요
(10:20 부근)
여기서 FP 들이 FN이기도 한게 아닌지 질문드립니다.
고양이라고 고양이에 대해 Positive 예측을 했는데 틀렸으니 False Positive 이지만, 새에 대해서는 없다고 했으니 False Negative 이기도 한 것이죠.
새를 고양이로 예측한 사진의 경우 이걸 FP로만 해석한다면, 재현율인 TP/(FN+TP) 에서 TP = 0, FN = 0 이 되어 0/0 이 되지 않습니까.
예를 들어 새 두마리가 있는 사진에서 한마리는 새, 한마리는 고양이로 판단했을 경우
재현율은 0.5여야 맞는데, 위의 판단대로면 TP=1, FN=0, FP=1 가 되어 정확도 0.5에 재현율 1이 되는 걸로 보입니다.
따라서 대상을 잘못 예측한 경우는 FP이기도 하지만FN 이기도 한게 아닌지 궁금합니다.
답변 기다리겠습니다.
질문 읽어주셔서 감사합니다.
답변 1
0
안녕하십니까,
1. 확인해 보니, 말씀하신게 맞군요.
해당 부분을 수정해서 개정판 강의에 싣도록 하겠습니다. 감사합니다.
2. 이것도 제가 한수 배웠습니다.
말씀하신대로 잘못 예측했을 경우 FN도 고려해야 할 것 같습니다(이런 간단한 부분을 놓치다니, 저도 약간 맨붕이 왔습니다. ^^;;)
FP의 경우는 예측을 수행한 기준으로 계산하고, FN의 경우는 실제 Ground Truth를 기준으로 삼아야 할 것 같습니다.
그래서 새 2마리가 있는 사진에서 한마리는 새, 한마리는 고양이로 했다면, TP=1, FP=1 그리고 새 한마리가 Detect 되지 않았으니 FN=1로 되어야 할 것 같습니다. 사실 이 부분은 제가 알고 있는 Object Detection FN 개념을 다시 정립해야 하는 부분이라, 제가 좀 더 고민후에 개정판에 수록할 것인지 결정 하도록 하겠습니다.
훌륭한 지적 감사합니다.
저도 확실치 않아서 첨언을 해보는데요.
Recall, Precision 개념은 2-class에 적용되는 개념이니까 말씀하신것처럼 새 두마리가 있는 사진에서
[새]_[예측:새] [새]_[예측:고양이] 로 했다면
지금 positive sample이 2개 있는데 하나는 positive, 하나는 negative로 예측했으므로(고양이라고 예측했지만 지금 2-class 분류를 따지고 있으므로 새 기준으로 보면 새가 아니라고 한거니 negative)
TP=1, FN=1이 되고 FP=0이 아닌가요... positive라고 해서 틀린게 하나도 없는데...그래서
precision= TP / (TP+FP) = 1 / (1+0) = 1
recall = TP / (TP+FN) = 1 / (1+1) = 1/2
이 되는 것 아닌가 합니다.
10분20초 슬라이드에서 wrong class가 FN으로 가야할 듯 한데... 아닌가요?
다클래스에 대해서 적용해도 어차피 one-vs-rest로 하니까 상황은 똑같은것같은데요..