如何基于Groundtruth与Predicted标签数据帧计算类别平均延迟

• 没有按照延迟定义做h/H的归一化，仅累加了帧差，得到的不是标准化的延迟值
• 双重循环逻辑存在重复累加问题，同一个groundtruth变化点可能对应多个预测变化点，会导致计算结果偏大
• 没有提取每个动作的总时长H，无法完成延迟的标准化计算
• 没有覆盖预测始终不正确的边界情况

核心思路如下：

1. 先从groundtruth中拆分所有独立动作段，每个段存储[类别标签，起始帧索引，结束帧索引]，计算每个动作的总时长H = 结束帧索引 - 起始帧索引 + 1
2. 对每个动作段，从起始帧开始向后检索，找到第一个满足「从该帧到当前动作结束，预测标签始终等于真实类别」的帧索引f，该帧就是分类器最终做出正确决策的帧
3. 计算当前动作的延迟为(f - 起始帧索引)/H，若整个动作段内没有找到符合条件的f，可根据需求选择将延迟记为1（最大延迟）或者跳过该样本
4. 所有动作延迟的平均值即为最终的平均延迟

import pandas as pd
import numpy as np

# 读取数据并拍平为一维数组
groundtruth = pd.read_csv('groundtruth.csv', sep=",", header=None).transpose().values.flatten()
prediction = pd.read_csv('prediction.csv', sep=",", header=None).transpose().values.flatten()

# 拆分标签序列为独立动作段
def get_action_segments(arr):
    segments = []
    if len(arr) == 0:
        return segments
    current_c = arr[0]
    start = 0
    for idx in range(1, len(arr)):
        if arr[idx] != current_c:
            segments.append((current_c, start, idx-1))
            current_c = arr[idx]
            start = idx
    # 补充最后一个动作段
    segments.append((current_c, start, len(arr)-1))
    return segments

gt_segments = get_action_segments(groundtruth)
latency_list = []

# 逐段计算延迟
for c, s, e in gt_segments:
    H = e - s + 1
    if H <= 1:
        continue  # 跳过单帧无效动作段
    # 查找第一个有效决策帧
    f = None
    for candidate_f in range(s, e+1):
        if np.all(prediction[candidate_f:e+1] == c):
            f = candidate_f
            break
    # 计算当前动作延迟
    if f is not None:
        h = f - s
        latency = h / H
    else:
        latency = 1.0  # 全程预测错误记为最大延迟，也可替换为continue跳过该样本
    latency_list.append(latency)

# 计算平均延迟
average_latency = np.mean(latency_list)
print(f"平均延迟为：{average_latency:.4f}")

• 时间复杂度为O(N)，N为总帧数，远低于原代码的O(M*K)（M为groundtruth变化点数量，K为预测变化点数量）
• 严格符合延迟定义的归一化要求，计算结果准确
• 边界情况处理完整，覆盖了预测错误、无效短片段等场景
• 逻辑清晰易读，便于后续调整错误样本的处理规则

内容的提问来源于stack exchange，提问作者Mejdi Dallel