语义分割中的mIoU计算函数解读

代码来自于CVPR2018的一篇文章Context Encoding for Semantic Segmentation。
github工程地址为：https://github.com/zhanghang1989/PyTorch-Encoding
很棒的工作。
我是新入门，对代码解读如下，有不对的地方请高手们批评指正。
我的标签图像序号是从0开始，依次编号，0代表背景类

def batch_intersection_union(predict, target, nclass):"""Batch Intersection of UnionArgs:predict: input 4D tensor 具体地为B(batch大小)*C(通道)*H*Wtarget: label 3D tensor 具体地为B(batch大小)*H*Wnclass: number of categories (int)"""#在通道维上取最大值，注意predict为第二个返回值，因此是索引，从0开始#此时predict和target一样，维度均为B*H*W，且值均为0，1，2........._, predict = torch.max(predict, 1) mini = 1maxi = nclassnbins = nclass#将predict和target放入cpu并转换为numpy数组，同时+1#此时predict和target的值为1，2，......predict = predict.cpu().numpy() + 1target = target.cpu().numpy() + 1#假如我除去背景类只有1类目标，则nbins为2。#此句似乎没有实际意义？predict值不变，因为target值均大于0# (target > 0)返回的均为truepredict = predict * (target > 0).astype(predict.dtype)#求交集intersection，维度B*H*W，包含背景类0的交集#intersection交集处>0，非交集处为0（其内部像素值包括0，1，2）intersection = predict * (predict == target)# areas of intersection and union#绘制直方图,nbins个区间，range=(mini, maxi)左闭右开#假如我除去背景类只有1类目标，则nbins为2，range=(1,2)，则表示将数组均匀地分为2个区间：[1,1.5],[1.5,2]#第一个bins代表背景，第二个bins代表目标area_inter, _ = np.histogram(intersection, bins=nbins, range=(mini, maxi))area_pred, _ = np.histogram(predict, bins=nbins, range=(mini, maxi))area_lab, _ = np.histogram(target, bins=nbins, range=(mini, maxi))area_union = area_pred + area_lab - area_inter#交集一定小于并集assert (area_inter <= area_union).all(), \"Intersection area should be smaller than Union area"return area_inter, area_union

关于histogram函数，做如下详细说明，参考链接：https://blog.csdn.net/pipisorry/article/details/48770785
https://blog.csdn.net/hyqsong/article/details/40514879
histogram(a,bins=10,range=None,normed=False,weights=None)
其中，a是保存待统计数据的数组，bins指定统计的区间个数，即对统计范围的等分数。 range是一个长度为2的元组，表示统计范围的最小值和最大值，默认值为None,表示范围由数据的范围决定，即(a.min(), a.max())。
ranges 对于均匀直方图(即nuiform为true),ranges是一个由dims个float数对构成的数组,数对表示对应维的bin的范围. eg.某维有N==2个bins，在ranges中对应的数对为{0,10},均匀的意思是讲,将该维的bin均匀的分为2个区间：[0,5]和[5,10]，这是程序自动划分的，只需提供给他数对表示最值范围即可。

当normed参数为False时，函数返回数组a中的数据在每个区间的个数，否则对个数进行正规化处理，使它等于每个区间的概宇密度。weights参数类似。

NumPy中histogram函数应用到一个数组返回一对变量：直方图数组hist和箱式向量，即两个一维数组–hist和bin_edges，第一个数组是每个区间(一个区间代表一个bins)的统计结果，第二个数组长度为len(hist)+1，每两个相邻的数值构成一个统计区间。
对于bin_edges : array of dtype float，bin edges 的长度要是 hist 的长度加1，bin edges (length(hist)+1)，也即 (bin_edges[0], bin_edges[1]) ⇒ hist[0]，….，(bin_edges[-2], bin_edges[-1]) ⇒ hist[-1]，bin_edges 参数值与输入参数的(bins+1) 保持一致；

语义分割中的mIoU计算函数解读相关推荐

语义分割中的一些模型的分类汇总
语义分割是深度学习中的一个重要应用领域.自Unet提出到现在已经过去了8年,期间有很多创新式的语义分割模型.简单的总结了Unet++.Unet3+.HRNet.LinkNet.PSPNet.DeepL ...
dice系数交叉熵_语义分割中的损失函数
1 交叉熵信息量:当一个事件发生的概率为 ,那么该事件对应的概率的信息量是 . 信息量的熵:信息量的期望,假设事件共有n种可能,发生的概率为 ,那么该事件的熵为: 相对熵,又称KL散度,如果 ...
语义分割的评价指标——MIoU
语义分割的评价指标--MIoU 前言代码前言 MIoU(Mean Intersection over Union)是语义分割的一个评价指标,表示平均交并比,即数据集上每一个类别的IoU值的平均. ...
来自CCNet的一种创新：语义分割中的十字交叉视觉注意力
来自CCNet的一种创新:语义分割中的十字交叉视觉注意力写在文章开头看个大概引入 CCNet之道整体架构十字交叉注意力循环--RCCA 优化类别一致性损失 CCNet效果一览写在文章末尾 ...
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
语义分割中常用的评价指标有哪些?
语义分割的任务就是预测输入图像每个像素点的类别.简单来说,就是做像素级分类. 图中左侧是一张输入图像,中间图像是对图像每个像素类别人工标记的Ground truth(真实标签),右侧图像是对图像每个像 ...
语义分割中的深度学习方法全解：从FCN、SegNet到各版本DeepLab
语义分割中的深度学习方法全解:从FCN.SegNet到各版本DeepLab 原文:https://www.sohu.com/a/155907339_610300 图像语义分割就是机器自动从图像中分割出 ...
语义分割之评价指标MIoU介绍
预备知识我们在进行语义分割结果评价的时候,常常将预测出来的结果分为四个部分:True Positive,False Positive,True Negative,False Negative,其中n ...
图像语义分割中的上采样(Upsampling)和下采样(subsampling)
图像语义分割中的上采样和下采样 1. 下采样(subsampled) 2. 上采样(upsampled) 2.1 线性插值 2.2 单线性插值 2.3 双线性插值 2.4 双线性插值举例 2.5 插值 ...

语义分割中的mIoU计算函数解读

语义分割中的mIoU计算函数解读相关推荐

最新文章

热门文章