在ImageNet分类论文中,top-1和top-5错误率是衡量某些解决方案成功与否的重要单位,但是这些错误率是多少?
在Krizhevsky等人的《具有深度卷积神经网络的ImageNet分类 》中。每个基于一个CNN的解决方案(第7页)都没有前5个错误率,而具有5个和7个CNN的解决方案则有5个错误率(而且7个CNN的错误率比5个CNN的更好)。
这是否意味着top-1错误率是一个CNN的最佳单一错误率?
前五位的错误率仅仅是五个CNN的累积错误率吗?
在ImageNet分类论文中,top-1和top-5错误率是衡量某些解决方案成功与否的重要单位,但是这些错误率是多少?
在Krizhevsky等人的《具有深度卷积神经网络的ImageNet分类 》中。每个基于一个CNN的解决方案(第7页)都没有前5个错误率,而具有5个和7个CNN的解决方案则有5个错误率(而且7个CNN的错误率比5个CNN的更好)。
这是否意味着top-1错误率是一个CNN的最佳单一错误率?
前五位的错误率仅仅是五个CNN的累积错误率吗?
Answers:
[...]前五位的错误率是测试图像中正确标签不在该模式认为最可能的五个标签中的比例。
首先,您使用CNN进行预测并获得预测的类多项式分布()。
现在,如果得分为前1名,则检查顶级(概率最高的一类)是否与目标标签相同。
对于前5个得分,您要检查目标标签是否为前5个预测之一(概率最高的5个预测)。
在这两种情况下,最高分都是将预测标签与目标标签匹配的时间除以评估的数据点数量得出的。
最后,当使用5-CNN时,首先对它们的预测求平均,然后按照相同的过程计算前1名和前5名得分。