testing - ROC 曲线/分类准确率，什么时候使用什么类型的评估指标？

Question

对象检测准确度、准确率和召回率 - 其中准确率和召回率绘制在 ROC 曲线上 - 这些是可视化和评估图像分类算法结果的最常用方法。

但是有两种方法可以进行测试。

1. 分类器可用于对已裁剪且仅包含待分类对象的图像中的对象进行分类。
2. 测试图像也可以是一个大场景，其中分类器应在潜在对象周围绘制边界框以检测它们。

我正在尝试确定何时使用哪种评估形式。

当分类器在第一种测试方式中对图像进行分类时，我们可以使用 ROC 曲线来显示性能吗？

我正在研究的问题是多分类，而不是二分类。

更新

我对第一种测试称为“分类”而第二种称为“检测”的理解是否正确？

Answer 1

第二个有时也称为“本地化”。

当你有一些参数要改变时，你有 ROC 曲线 - 绘制它。否则，您只会遇到分类错误和混淆矩阵。

您可以以 PASCAL VOC http://pascallin.ecs.soton.ac.uk/challenges/VOC/voc2012/results/index.html 的结果为例