scene graph generation 计算mean recall数据的过程：

前言：

计算流程这里参考maskrcnn_benchmark/data/datasets/evaluation/vg/sgg_eval.py这个scene graph generation benchmark的github官网来完成相关的任务。

计算mean recall的详细过程

以下是如何利用预测三元组和groundtruth三元组计算mean recall的详细过程：

1. 准备数据：

使用如下两个变量来分别保存groundtruth三元组和predicate的三元组。

• prepare_gt方法会处理groundtruth三元组数据，并将其存储在一个字典中。
• prepare_pred方法会处理预测三元组数据，并将其存储在一个字典中。

2. 计算每个类别的recall：

• calculate_recall方法会遍历所有的groundtruth和predicate数据，计算每个关系类别的recall。
• 对于每个类别，计算公式为：
  
  其中，TP是True Positives，FN是False Negatives。（这句的意思看这句代码就理解了，即：float(len(match)) / float(gt_rels.shape[0])也就是说，(正确匹配的三元组)/所有groundtruth三元组）

3. 计算mean recall：

   • calculate_mean_recall方法会计算所有类别的平均recall。

   • 首先，计算每个类别的recall。

   • 然后，计算所有类别recall的平均值：
     

     其中，Recall_i是第i个关系类别的recall，N是类别的总数。

具体代码片段

以下是一些关键代码片段的解释：（这些片段是从github文件中专门拿出来的）

准备groundtruth数据

def prepare_gt(self):for gt in self.gts:gt_entry = {}gt_entry['relations'] = gt['relations']gt_entry['boxes'] = gt['boxes']gt_entry['labels'] = gt['labels']self.gt_entries.append(gt_entry)

准备预测数据

def prepare_pred(self):for pred in self.preds:pred_entry = {}pred_entry['relations'] = pred['relations']pred_entry['boxes'] = pred['boxes']pred_entry['labels'] = pred['labels']self.pred_entries.append(pred_entry)

计算recall

注意这里的TP和FN，就是上面公式了的TP和FN。

def calculate_recall(self):for i, gt_entry in enumerate(self.gt_entries):pred_entry = self.pred_entries[i]for rel in gt_entry['relations']:gt_rel = (rel[0], rel[1], rel[2])if gt_rel in pred_entry['relations']:self.tp[rel[2]] += 1else:self.fn[rel[2]] += 1

计算mean recall

def calculate_mean_recall(self):recalls = []for i in range(self.num_rel_classes):if self.tp[i] + self.fn[i] > 0:recalls.append(self.tp[i] / (self.tp[i] + self.fn[i]))mean_recall = sum(recalls) / len(recalls)return mean_recall

通过这些方法，你可以计算出每个类别的recall，并进一步计算出mean recall。希望这些解释对你理解这段代码有所帮助！如果有更多问题，请随时问我。