PA,MIOU,FWIOU

转载 https://www.cnblogs.com/Trevo/p/11795503.html
对于像素级别的分类，最常用的评价指标是Pixel Accuracy（像素准确率）和Mean Inetersection over Union（平均交并比），二者的计算都是建立在混淆矩阵的基础上的–PA，MPA，MIoU，FWIoU

预测正确，前面就是T，否则就是F。预测成什么，后面就是什么。很简单，只是一个表示而已，第一个字母表示预测的正误，第二个字母表示预测成什么，两个即可以表示从什么预测成什么。

使用Pii表示原本为i类同时预测为i类，即真正（TP）和真负（TN）,
Pij表示原本为i类被预测为j类，即假正（FP）和假负（FN），如果第i类为正类，i!=j时，那么Pii表示TP，Pjj表示TN，Pij表示FP，Pji表示FN。

PA 像素准确率

利用混淆矩阵计算如下：

#预测对的 / 总的

平均像素准确率(MPA)

针对每个类别，该类别预测正确的数目 / 所有预测为该类别的数目
计算** 每个类别分类正确的像素数占所有预测为该类别像素数的比例**，即精确率，然后累加求平均。

MIOU

频权交并比(FWloU)

频权交并比是根据每一类出现的频率设置权重，权重乘以每一类的IoU并进行求和。公式化如下：

"""
refer to https://github.com/jfzhang95/pytorch-deeplab-xception/blob/master/utils/metrics.py
"""
import numpy as np
__all__ = ['SegmentationMetric']"""
confusionMetric
P\L     P    NP      TP    FPN      FN    TN"""
class SegmentationMetric(object):def __init__(self, numClass):self.numClass = numClassself.confusionMatrix = np.zeros((self.numClass,)*2)def pixelAccuracy(self):# return all class overall pixel accuracy# acc = (TP + TN) / (TP + TN + FP + TN)acc = np.diag(self.confusionMatrix).sum() /  self.confusionMatrix.sum()return accdef classPixelAccuracy(self):# return each category pixel accuracy(A more accurate way to call it precision)# acc = (TP) / TP + FPclassAcc = np.diag(self.confusionMatrix) / self.confusionMatrix.sum(axis=1)return classAccdef meanPixelAccuracy(self):classAcc = self.classPixelAccuracy()meanAcc = np.nanmean(classAcc)return meanAccdef meanIntersectionOverUnion(self):# Intersection = TP Union = TP + FP + FN# IoU = TP / (TP + FP + FN)intersection = np.diag(self.confusionMatrix)union = np.sum(self.confusionMatrix, axis=1) + np.sum(self.confusionMatrix, axis=0) - np.diag(self.confusionMatrix)IoU = intersection / unionmIoU = np.nanmean(IoU)return mIoUdef genConfusionMatrix(self, imgPredict, imgLabel):# remove classes from unlabeled pixels in gt image and predictmask = (imgLabel >= 0) & (imgLabel < self.numClass)label = self.numClass * imgLabel[mask] + imgPredict[mask]count = np.bincount(label, minlength=self.numClass**2)confusionMatrix = count.reshape(self.numClass, self.numClass)return confusionMatrixdef Frequency_Weighted_Intersection_over_Union(self):# FWIOU =     [(TP+FN)/(TP+FP+TN+FN)] *[TP / (TP + FP + FN)]freq = np.sum(self.confusion_matrix, axis=1) / np.sum(self.confusion_matrix)iu = np.diag(self.confusion_matrix) / (np.sum(self.confusion_matrix, axis=1) + np.sum(self.confusion_matrix, axis=0) -np.diag(self.confusion_matrix))FWIoU = (freq[freq > 0] * iu[freq > 0]).sum()return FWIoUdef addBatch(self, imgPredict, imgLabel):assert imgPredict.shape == imgLabel.shapeself.confusionMatrix += self.genConfusionMatrix(imgPredict, imgLabel)def reset(self):self.confusionMatrix = np.zeros((self.numClass, self.numClass))if __name__ == '__main__':imgPredict = np.array([0, 0, 1, 1, 2, 2])imgLabel = np.array([0, 0, 1, 1, 2, 2])metric = SegmentationMetric(3)metric.addBatch(imgPredict, imgLabel)acc = metric.pixelAccuracy()mIoU = metric.meanIntersectionOverUnion()print(acc, mIoU)

PA,MIOU,FWIOU相关推荐

语义分割常用指标详解（附代码）
全套代码可至本人github下载地址使用步骤: 下面是我自己写的测试代码,上面地址下载的也会包含 # 输入:测试集标注文件夹和对应的预测文件夹,图片命名为标注+x:predict+x# 输出:四个 ...
语义分割各种评价指标实现
前言现存其实已经有很多博客实现了这个代码,但是可能不完整或者不能直接用于测试集的指标计算,这里简单概括一下. 一些概念.代码参考: [1] 憨批的语义分割9--语义分割评价指标mIOU的计算 [2] ...
train_autodeeplab.py代码阅读笔记
Trainer类初始化部分-- class Trainer(object):def __init__(self, args):self.args = args# Define Saverself.sa ...
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）
文章目录引言 1 混淆矩阵 2 语义分割 PA:像素准确率 CPA:类别像素准确率 MPA:类别平均像素准确率 IoU:交并比 MIoU:平均交并比 3 综合实例步骤一:输入真实.预测图片步骤二 ...
图像分割评测指标MIOU之python代码详解
Pixel Accuracy(PA,像素精度):这是最简单的度量,为标记正确的像素占总像素的比例. Mean Pixel Accuracy(MPA,均像素精度):是PA的一种简单提升,计算每个类内被正 ...
【DeeplabV3+ MIoU】DeeplabV3+计算评价指标
文章目录 1 分割常用评价指标 1.1 什么是MIoU 1.2 什么是PA 1.2 什么是MPA 2 根据混淆矩阵计算评价指标 2.1 计算MIoU 2.2 计算PA 2.3 计算MPA 3 计算 M ...
分割评价指标MIOU
MIOU定义有很多博客都有写MIOU,参考下面文章注意点: 类别包含背景,二分类也包含背景混淆矩阵就是分别统计分类模型归错类,归对类的观测值个数,然后把结果放在一个表里展示出来. 代码实现 &q ...
深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系
文章目录评价对象分类器预测结果 IoU.Precision.Recall Miou.mPA.Accuracy F-Score 评价对象 IoU.Precision.Recall是针对所有图片内的某 ...
英特尔用ViT做密集预测效果超越卷积，性能提高28%，mIoU直达SOTA｜在线可玩
丰色发自凹非寺量子位报道 | 公众号 QbitAI 用全卷积网络做密集预测 (dense prediction),优点很多. 但现在,你可以试试Vision Transformer了-- 英特 ...