It is shown in [12] that Precision-

It is shown in [12] that Precision-Recall is a better indicator of performance than ROC
for tasks with largely skewed class distributions. Because bees
are small and occupy a small percent of the image, the
distribution of classes considered for detection is in fact
skewed in favor of the background.
Detection results on the annotated dataset are summarized
in Figure 4. As shown, the simpler background subtraction
based method vastly outperforms the cascade classification
based algorithm on the test sequence.
The end result of applying object tracking is to achieve a
count of how many bees have entered and exited the hive.
Performance for arrival rate and departure rate are measured in
terms of percent error from their respective ground truth. In
early tests, the system over counts departures by 18% and over
counts arrivals by 44% on the annotated test sequence. It is
hard to judge performance based on this metric, however. If
multiple detections occur for a single bee, they are each
tracked. Thus, if a bee which is being tracked more than once
crosses the entrance boundary, it counts for multiple arrivals or
departures.

ผลลัพธ์ (ไทย) 1:

มันแสดงให้เห็นใน [12] ว่า การเรียกคืนความแม่นยำเป็นตัวบ่งชี้ที่ดีประสิทธิภาพกว่า ROCสำหรับงานที่มีการกระจายส่วนใหญ่เบ้ชั้น เนื่องจากผึ้งมีขนาดเล็ก และขนาดเล็กเปอร์เซ็นต์ของภาพ การครอบครองการกระจายของชั้นที่พิจารณาสำหรับการตรวจสอบเป็นจริงเบ้ในความโปรดปรานของพื้นหลังสามารถสรุปผลการตรวจหาบนชุดข้อมูลประกอบในรูปที่ 4 ดังที่ ลบพื้นหลังที่เรียบง่ายวิธีการใช้อย่างมากมายมีประสิทธิภาพสูงกว่าประเภทน้ำตกอัลกอริทึมตามลำดับการทดสอบจะบรรลุผลลัพธ์ของการใช้การติดตามวัตถุจำนวนป้อน และออกจากรังผึ้งมากจะวัดประสิทธิภาพสำหรับการเดินทางมาถึงและออกเดินทางเงื่อนไขของเปอร์เซ็นต์ข้อผิดพลาดจากความจริงของดินที่เกี่ยวข้อง ในก่อนการทดสอบ ระบบผ่านนับขา 18% และมากกว่านับขาเข้า โดย 44% ลำดับทดสอบประกอบ มันเป็นยากที่จะตัดสินตามวัดนี้ อย่างไรก็ตาม ถ้าจับหลายเกิดขึ้นสำหรับผึ้งเดียว พวกเขาแต่ละคนติดตาม ดังนั้น ถ้าผึ้งที่กำลังถูกติดตามมากกว่าหนึ่งครั้งข้ามขอบเขตทางเข้า นับสินค้าหลายตัว หรือขาออก

ผลลัพธ์ (ไทย) 2:

มันแสดงให้เห็นใน [12] ที่แม่นยำจำได้เป็นตัวบ่งชี้ที่ดีขึ้นของประสิทธิภาพการทำงานกว่าร็อค
สำหรับงานที่มีการแจกแจงระดับเบ้ส่วนใหญ่ เพราะผึ้ง
มีขนาดเล็กและครอบครองเป็นร้อยละเล็ก ๆ ของภาพที่
กระจายของการเรียนการพิจารณาสำหรับการตรวจสอบในความเป็นจริง
เบ้ในความโปรดปรานของพื้นหลัง.
ผลการตรวจสอบในชุดข้อมูลที่ข้อเขียนจะสรุป
ในรูปที่ 4 ตามที่ปรากฏในการลบพื้นหลังที่เรียบง่าย
ตาม วิธีการอย่างมากมายมีประสิทธิภาพดีกว่าน้ำตกจำแนก
ขั้นตอนวิธีการขึ้นอยู่กับลำดับการทดสอบ.
สิ้นผลของการใช้การติดตามวัตถุคือการบรรลุ
นับหลายวิธีที่ผึ้งได้เข้าและออกจากรัง.
ประสิทธิภาพการทำงานสำหรับอัตราการเดินทางมาถึงและอัตราการออกจากวัดใน
แง่ของข้อผิดพลาดร้อยละ จากความจริงพื้นดินของตน ใน
การทดสอบในช่วงต้นของระบบมากกว่าการนับขาออก 18% และมากกว่า
การนับจำนวนผู้โดยสารขาเข้า 44% ในลำดับการทดสอบข้อเขียน มันเป็น
เรื่องยากที่จะตัดสินประสิทธิภาพตามตัวชี้วัดนี้อย่างไร หาก
ตรวจพบหลายเกิดขึ้นผึ้งเดียวที่พวกเขากำลังแต่ละ
ติดตาม ดังนั้นหากผึ้งซึ่งมีการติดตามมากกว่าหนึ่งครั้ง
ข้ามเขตแดนทางเข้ามันนับสำหรับการเข้าพักหรือหลาย
ขา

ผลลัพธ์ (ไทย) 3:

มันจะปรากฏใน [ 12 ] ที่แม่นยำเรียกคืนเป็นดีขึ้น ชี้วัดประสิทธิภาพกว่าประสำหรับงานที่มีการแจกแจงแบบเบ้ ไปเรียน เพราะผึ้งมีขนาดเล็กและครอบครองร้อยละขนาดเล็กของรูปภาพการกระจายของชั้นพิจารณาตรวจสอบในความเป็นจริงเอียงในความโปรดปรานของพื้นหลังการตรวจสอบผลที่แสดงข้อมูลสรุปได้ในรูปที่ 4 การลบฉากหลังเป็นง่ายใช้วิธีโปรยตกหมวดหมู่เป็นอย่างมากขั้นตอนวิธีการในการทดสอบตามลำดับผลสุดท้ายของการติดตามวัตถุเพื่อให้บรรลุนับจํานวนผึ้งได้ป้อนและออกจากรังแสดงอัตราการมาถึงและการเดินทางจะวัดในอัตราแง่ของเปอร์เซนต์ความคลาดเคลื่อนจากดินของตนจริง ในการทดสอบแรก ระบบผ่านนับขาออกโดย 18% ขึ้นไปนับที่เข้ามาโดย 44% บนบันทึกย่อทดสอบลำดับ มันคือยากที่จะตัดสินประสิทธิภาพตามเมตริกนี้ อย่างไรก็ตาม ถ้าหลายเรื่องเกิดขึ้นผึ้งเดียว พวกเขาแต่ละติดตาม ดังนั้น ถ้าผึ้งซึ่งจะถูกติดตามมากกว่าหนึ่งครั้งข้ามเข้าเขตแดนมันนับสำหรับนักท่องเที่ยวหลายคน หรือขาออก