目标检测基础知识（2）：CBAM，常用评价指标

CBAM

• 目的：增强特征的表达，关注重要特征并抑制不重要特征。
• 原理：CBAM有两个组成部分，第一部分是通道注意力模型，第二部分是空间注意力模型。
  • 提取通道注意力的时候，就把空间信息暂时忽略，因此在空间维度上分别进行最大值池化与平均值池化，得到两个只有通道维度的向量，然后将这两个向量分别通过一个两层的神经网络，两特征相加后经过sigmoid函数。然后用得到的这个通道注意力向量与特征图相乘，得到空间注意力处理的输入。
    
  • 提取空间注意力的时候，同样的道理，要将通道信息暂时忽略，因此在通道维度上进行最大值池化和平均值池化，然后将这两个结果基于通道做连接操作。然后经过一个卷积操作，降维为1个通道。再经过sigmoid生成空间注意力特征。
    
  • 整体：将上述空间注意力模块提取的feature和该模块的输入feature做乘法，得到最终生成的特征。通道注意力更加关注于全局信息，而空间注意力关注于局部信息。因此，这两个注意模块的结合将有效地提取突出特征。

常用评价指标

• 常用的四个元素：对一个二分问题来说，会出现四种情况。
  • TP：实例是正类被预测成正类，称之为真正类（True positive）。
  • FP：实例是负类被预测成正类，称之为假正类（False positive）。
  • TN：实例是负类被预测成负类，称之为真负类（True negative）。
  • FN：实例正类被预测成负类，称之为假负类（False negative）。
• 召回率（Recall）：真正地正类中能检测到多少正类的概率。
  
• 精确率（Precision）：预测为正类中真正正类的概率
  
• F1 Score
  
• mAP
  首先需要介绍一下PR曲线
  
  
  其中P和R 分别代表了精确度与召回度，相当于PR曲线与坐标轴所围成的面积