《表2 火灾检测的Bootstraping AP》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于迁移学习的火灾实时检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：α=0.05。

(2）自助法（有放回采样）平均精度（Bootstrapping AP）和Rank准确度。据统计，单组样本的平均估计精度为点估计。在不同的测试集下，点估计值也会波动，它会以一定概率落入一个置信区间，不同算法的置信区间重叠。因此，单一测试集的点估计无法比较两种算法的相对优势。参考文献[16]的PASCAL VOC Challenge，使用bootstrap方法生成1 000个bootstrap副本，其中数据点通过从原始的n个测试点采样来替换；然后重复bootstrap对算法1 000次求值，生成点估计θ1*，θ2*，…，θ1*000；每个算法平均精度的置信区间为（θ*α/2，θ*1-α/2）（在1-α水平上），利用置信区间比较两种算法之间是否存在显著性差异；最后估计Rank的范围。表2展示了火灾检测的Bootstraping AP，由表中数据结果可以看出，基于YOLOv3算法的火灾检测的平均精度与其他两种算法相比存在显著性差异，但其他两者之间的差异并不显著。