ГОСТ Р 70321.7-2022 Технологии искусственного интеллекта для обработки данных дистанционного зондирования Земли. Алгоритмы искусственного интеллекта для определения типов объектов дорожно-транспортной сети на космических снимках, получаемых с космических аппаратов оптико-электронного наблюдения. Типовая методика проведения испытаний

     6 Тестирование и оценка показателей

6.1 Тестирование и оценка показателей - по ГОСТ Р 70321.6-2022 (раздел 6) с дополнениями, приведенными в настоящем стандарте.

6.2 Показатели для оценки функциональной корректности алгоритмов ИИ выбирают исходя из специфики решаемой задачи на усмотрение заказчика испытаний.

Например, в задачах сегментации могут быть использованы следующие показатели:

- доля правильных исходов по всем классам;

- попиксельная F-мера по всем классам.

Долю правильных исходов по всем классам и попиксельную F-меру по всем классам рассчитывают по формулам (13) и (17) ГОСТ Р 59898-2021 соответственно, причем:

- TP - количество истинно положительных исходов: площадь пикселей снимков, отнесенных к целевым классам объектов дорожно-транспортной сети по результатам работы алгоритма ИИ и принадлежащих к целевым классам объектов дорожно-транспортной сети в разметке;

- TN - количество истинно отрицательных исходов: площадь пикселей снимков, не отнесенных к целевым классам объектов дорожно-транспортной сети по результатам работы алгоритма ИИ и не принадлежащих к целевым классам объектов дорожно-транспортной сети в разметке;

- FP - количество ложноположительных исходов: площадь пикселей снимков, отнесенных к целевым классам объектов дорожно-транспортной сети по результатам работы алгоритма ИИ и не принадлежащих к целевым классам объектов дорожно-транспортной сети в разметке;

- FN - количество ложноотрицательных исходов: площадь пикселей снимков, не отнесенных к целевым классам объектов дорожно-транспортной сети по результатам работы алгоритма ИИ и принадлежащих к целевым классам объектов дорожно-транспортной сети в разметке.