ImageNet: tỷ lệ lỗi top-1 và top-5 là gì?

Trong các tài liệu phân loại ImageNet, tỷ lệ lỗi top 1 và top 5 là các đơn vị quan trọng để đo lường sự thành công của một số giải pháp, nhưng các tỷ lệ lỗi đó là gì?

Trong phân loại ImageNet với các mạng nơ ron kết hợp sâu của Krizhevsky et al. mọi giải pháp dựa trên một CNN duy nhất (trang 7) không có tỷ lệ lỗi top 5 trong khi các giải pháp có 5 và 7 CNN có (và tỷ lệ lỗi đối với 7 CNN tốt hơn so với 5 CNN).

Điều này có nghĩa là tỷ lệ lỗi top 1 là tỷ lệ lỗi đơn tốt nhất cho một CNN không?

Có phải tỷ lệ lỗi top 5 đơn giản là tỷ lệ lỗi tích lũy của năm CNN?

[...] Trong đó tỷ lệ lỗi top 5 là tỷ lệ hình ảnh thử nghiệm mà nhãn chính xác không nằm trong số năm nhãn được xem là có thể xảy ra nhất bởi chế độ.

Trước tiên, bạn tạo dự đoán bằng CNN và nhận phân phối đa nhóm của lớp dự đoán ( ).$\sum p_{class} = 1$

Bây giờ, trong trường hợp top-1 điểm, bạn kiểm tra xem lớp trên cùng (một trong những việc có xác suất cao nhất) cũng giống như nhãn mục tiêu.

Trong trường hợp điểm số top 5 , bạn kiểm tra xem nhãn mục tiêu có phải là một trong 5 dự đoán hàng đầu của bạn không (5 dự đoán có xác suất cao nhất).

Trong cả hai trường hợp, điểm số cao nhất được tính là số lần nhãn dự đoán khớp với nhãn đích, chia cho số điểm dữ liệu được đánh giá.

Cuối cùng, khi 5-CNN được sử dụng, trước tiên bạn hãy tính trung bình dự đoán của họ và làm theo quy trình tương tự để tính điểm số top 1 và top 5.

Phân loại của bạn cung cấp cho bạn một xác suất cho mỗi lớp. Hãy nói rằng chúng tôi chỉ có "mèo", "chó", "nhà", "chuột" là các lớp học (theo thứ tự này). Sau đó, bộ phân loại đưa ra một số như

0.1; 0.2; 0.0; 0.7

kết quả là Lớp Top-1 là "chuột". Hai lớp học hàng đầu là {chuột, chó}. Nếu lớp đúng là "con chó", nó sẽ được tính là "chính xác" cho độ chính xác của Top-2, nhưng sai cho độ chính xác của Top-1.

Do đó, trong một vấn đề phân loại với thể lớp, mỗi phân loại có 100% từ trên chính xác. Độ chính xác "bình thường" là top-1.$k$$k$