machine-learning - "False Positives Per Window"的含义

在论文 Histograms of Oriented Gradients for Human Detection (Navneet Dalal and Bill Triggs) (见下面的链接)中，为了可视化他们的结果，他们使用了 ROC 曲线，其中 Y 轴是 TP，X 轴是 FPPW (每个窗口的误报) 。

这句话 FFPW 是什么意思？

我想了 3 种可能的选择......我不知道 - 也许他们都错了。您的帮助将不胜感激:

可能是负样本错误分类率，即:(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_NEGATIVE_SAMPLES)

或者可能是每个真实警报的误报率，即:(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_TRUE_POSITIVES)

或者可能是整个图像中每个真实窗口的误报率，
即:(NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_TRUE_SAMPLES)

我很高兴知道其中一个是否正确，或者您是否知道任何其他正确的定义。

论文链接:
( https://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf )

最佳答案

它似乎被定义为 NUMBER_OF_FALSE_POSITIVES / NUMBER_OF_WINDOWS ，其中检测窗口是一个 64x128 移动窗口。请注意，在第 4 节的最后一段中，它指出:
... In a multiscale detector it corresponds to a raw error rate of about 0.8 false positives per 640×480 image tested.

关于machine-learning - "False Positives Per Window"的含义，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/35868394/