当某些gt在预测中没有对应时，如何计算ground-truth和预测地标之间的NME（归一化平均误差）？

Posted 2023-03-16

【中文标题】当某些gt在预测中没有对应时，如何计算ground-truth和预测地标之间的NME（归一化平均误差）？

【英文标题】：How to calculate NME(Normalized Mean Error) between ground-truth and predicted landmarks when some of gt has no corresponding in predicted?

【发布时间】：2021-11-08 11:16:58

【问题描述】：

我正在尝试学习一些面部标志检测模型，并注意到其中许多使用 NME（归一化平均误差）作为性能指标：

公式很简单，计算ground-truth点与模型预测结果之间的l2距离，然后除以归一化因子，归一化因子因数据集而异。

但是，当在某人开发的某个地标检测器上采用此公式时，我必须处理这种不平凡的情况，即某些检测器可能无法为某些输入图像生成足够数量的地标（可能是因为 NMS /模型继承问题/图像质量等）。因此，某些真实点可能在预测结果中没有对应的点。

那么如何解决这个问题，我是否应该将这样的缺失点结果添加到“失败结果集”并使用FR来测量模型，而在进行NME计算时忽略它们？

【问题讨论】：

我投票结束这个问题，因为它与 help center 中定义的编程无关，而是关于 DL 理论和/或方法 - 请参阅 deep-learning @ 中的介绍和注意事项987654323@.

【参考方案1】：

如果你有一个作为神经网络输出的向量 10x1 作为例子 那就是您的点，例如 [x1,y1,x2,y2...x5,y5]。该向量将是模型中神经元数量的固定长度原因。 如果您缺少点 - 这是因为（例如，您有 5 个点中的 4 个）有些点超出了图像的宽度和高度。或者像 [-0.1, -0.2, 0.5,0.7 ...] 这样的减号（负），前 2 个点在图像上看不到，就像它们是任务一样，但它们将在矢量中，你可以调用 NME。 在一些自定义的神经网络中是可能的，因为缺失值会变成最大的错误点。

【讨论】：

感谢您的回复，但某些模型可能不会像 gt 一样具有相同大小的输出，例如 fast-RCNN（我知道它不是地标检测模型，只是一个示例），模型本身可能产生比 gt 更多的地标，并且只有经过一些后期处理（如 nms）才能产生最终结果。但是由于涉及后期处理，输出的数量可能不一样