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

"""
refer to https://github.com/jfzhang95/pytorch-deeplab-xception/blob/master/utils/metrics.py
"""
import numpy as np# 设标签宽W，长H
def fast_hist(a, b, n):  # a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的预测特征图，形状(H×W,)；n是类别数目k = (a >= 0) & (a < n)  # k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景）,假设0是背景out = np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)return outdef per_class_iu(hist):  # 分别为每个类别（在这里是19类）计算mIoU，hist的形状(n, n)out = np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))  # 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)return outdef compute_mIoU(pred, label, n_classes=2):hist = np.zeros((n_classes, n_classes))  # hist初始化为全零，在这里的hist的形状是[n_classes, n_classes]hist += fast_hist(label.flatten(), pred.flatten(), n_classes)  # 对一张图片计算 n_classes×n_classes 的hist矩阵，并累加mIoUs = per_class_iu(hist)  # 计算逐类别mIoU值print('mIOUs', mIoUs)for ind_class in range(n_classes):  # 逐类别输出一下mIoU值print(str(round(mIoUs[ind_class] * 100, 2)))print('===> mIoU: ' + str(round(np.nanmean(mIoUs) * 100, 2)))  # 在所有验证集图像上求所有类别平均的mIoU值，计算时忽略NaN值return mIoUsif __name__ == '__main__':imgPredict = np.array([0, 0, 1, 0, 0, 0, 0, 0, 1])  # 可直接换成预测图片imgLabel = np.array([0, 1, 1, 0, 0, 0, 0, 0, 1])  # 可直接换成标注图片compute_mIoU(imgPredict, imgLabel)# metric = SegmentationMetric(3)  # 3表示有3个分类，有几个分类就填几# metric.addBatch(imgPredict, imgLabel)# pa = metric.pixelAccuracy()# cpa = metric.classPixelAccuracy()# mpa = metric.meanPixelAccuracy()# mIoU = metric.meanIntersectionOverUnion()# print('pa is : %f' % pa)# print('cpa is :')  # 列表# print(cpa)# print('mpa is : %f' % mpa)# print('mIoU is : %f' % mIoU)

参考博客

[1]：语义分割之MIoU原理与实现
[2]：4.4.2分类模型评判指标（一） - 混淆矩阵(Confusion Matrix)
[3]：核心这一篇：深度学习计算机视觉图像分割领域指标mIoU（平均交并比）计算代码与逐行解析

分割评价指标MIOU相关推荐

憨批的语义分割重制版2——语义分割评价指标mIOU的计算
憨批的语义分割重制版2--语义分割评价指标mIOU的计算注意事项学习前言什么是mIOU mIOU的计算 1.计算混淆矩阵: 2.计算IOU: 3.计算mIOU: 计算miou 注意事项这是针对 ...
语义分割评价指标mIOU
mIOU定义 Mean Intersection over Union(MIoU,均交并比),为语义分割的标准度量.其计算两个集合的交集和并集之比,在语义分割问题中,这两个集合为真实值(ground ...
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. ...
南开大学提出新物体分割评价指标，相比经典指标错误率降低 69.23%
前景图的度量对于物体分割算法的发展有着重要的作用,特别是在物体检测领域,其目的是在场景中精确地检测和分割出物体.但是,当前广泛应用的评估指标 (AP, AUC) 都是基于像素级别的误差度量,缺少结构相 ...
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 ...
详解语义分割评价指标
本文主要介绍语义分割的三大评价指标,分别是执行时间.内存占用以及准确度,本文着重介绍准确度. 一.执行时间二.内存占用三.准确度假设一共有k+1类(包括k个目标类和1个背景类): 1.Pixel ...
语义分割指标---MIoU详细介绍（原理及代码）
一.IOU理解在语义分割的问题中,交并比就是该类的真实标签和预测值的交和并的比值单类的交并比可以理解为下图: TP: 预测正确,真正例,模型预测为正例,实际是正例 FP: 预测错误,假正例,模型预 ...
tensorflow语义分割计算mIoU时忽略某一类别
在做语义分割的时候,有不少数据集中的部分类别是我们不想让其参与mIoU计算的.tensorflow忽略某一类别计算mIoU的方法网上比较少.经过阅读tensorflow文档,总结出一下求解方法: 数据 ...
语义分割评价指标(global_acc, mean_acc, mean_iou)等numpy实现
语义分割常见评价指标global_acc, mean_acc, mean_iou计算,个人学习记录,仅供参考. 一.理论计算假设真实标签为: 预测标签为: 则手动列出混淆矩阵可得: 1.1 全局准确 ...

分割评价指标MIOU

MIOU定义

代码实现

参考博客

分割评价指标MIOU相关推荐

最新文章

热门文章