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negative就是指非物体标签的部分(可以直接理解为背景),那么显而易见的,positive就是指有标签的部分。下图显示了四个部分的区别:
在图上可以清晰的看到,prediction图被分成四个部分,其中大块的白色斜线标记的是True Negative(TN,预测中真实的背景部分),红色线部分标记是False Negative(FN,预测中被预测为背景,但实际上并不是背景的部分),蓝色的斜线是False Positive(FP,预测中分割为某标签的部分,但是实际上并不是该标签所属的部分),中间荧光黄色块就是True Positive(TP,预测的某标签部分,符合真值)。
常用的评价指标
在评价的时候常用的指标有:IOU(交并比,也有叫做IU的),像素准确率(pixel-accuracy),有的时候还有平均准确率(mean-accuracy)。
1.IoU or IU(intersection over union)
IoU指标就是大家常说的交并比,在语义分割中作为标准度量一直被人使用。交并比不仅仅在语义分割中使用,在目标检测等方向也是常用的指标之一。
计算公式为:
IoU=target∩predictiontarget∪predictionIoU = \frac{target\cap prediction}{target \cup prediction}IoU=target∪predictiontarget∩prediction
注:1.target∩predictiontarget\cap predictiontarget∩prediction表示在预测和标签中都为类别的像素集合
2.target∪predictiontarget \cup predictiontarget∪prediction表示在预测和标签中至少有1个为类别的像素集合
如图所示:
IoU一般都是基于类进行计算的,也有基于图片计算的。
基于类进行计算的IoU就是将每一类的IoU计算之后累加,再进行平均,得到的就是基于全局的评价,所以我们求的IoU其实是取了均值的IoU,也就是均交并比(mean IoU)
2. pixcal-accuracy (PA,像素精度)
基于像素的精度计算是评估指标中最为基本也最为简单的指标,从字面上理解就可以知道,PA是指预测正确的像素占总像素的比例
3. 常用公式
语义分割之评价指标MIoU介绍相关推荐
- 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. ...
- 【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 ...
- 【语义分割】评价指标代码函数:np.sum()、np.nansum()、np.nanmean()、np.diag()、np.bincount()
引言 本文针对: [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!)中实现评价指标代码里相关函数进行补充说明,包括:np.sum().np.na ...
- 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] ...
- 基于RGB-D的语义分割和目标检测介绍
寒假的时候看了一篇论文--Multimodal Neural Networks: RGB-D for Semantic Segmentation and Object Detection这篇论文是20 ...
- 语义分割概念及应用介绍
近年来,以深度学习为中心的机器学习技术引起了人们的关注.比如自动驾驶汽车已经逐渐成为可能,但在整个深度学习过程,需要算法识别和学习作为原始数据提供的图像,在这一过程中,应用到了语义分割技术.下面让我们 ...
- 语义分割评估指标MIOU
1.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,在语义分割的问题中,这两个集合为真实值和预测值. ...
- 场景解析和语义分割区别_语义分割概念及应用介绍
摘要: 一份关于语义分割的基本概述,涵盖语义分割的特征和可能的用途,包括地质检测.自动驾驶.面部识别等. 近年来,以深度学习为中心的机器学习技术引起了人们的关注.比如自动驾驶汽车已经逐渐成为可能,但在 ...
- 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/zhangha ...
最新文章
- linux shell 学习
- 原python基础概念整理_Python从头学之基础概念整理
- Android 中 Activity 的生命周期
- MongoDB最简单的入门教程之二 使用nodejs访问MongoDB
- 安卓案例:标准化测试
- 社区儿童计算机活动总结,寒假社区服务活动总结
- [C++]Linux之C编程异常[true未定义解决方案]
- 阿衰小冲用计算机,《阿衰漫画》小衰学电脑,差点扔进垃圾桶,ESC怎么没有作用?...
- Mysql 常用函数集
- OpenDDS架构说明
- 项目保密协议书(范本)
- php如何除去图片水印,Phpcms v9如何去掉自带水印的解决方法
- ios Segue传值
- mysql stmt语法_PHP mysqli_stmt_get_result() 函数用法及示例
- 移民新西兰,两个博客
- Spring Security 密码加密器 Pbkdf2PasswordEncoder 、 BCryptPasswordEncoder
- 语音验证码与语音验证码APISDK接口
- java mocked_java – 使用PowerMock的Mocked私有方法,但是底层方法仍然被调用
- python基础day-15:time、hash、json
- 【多任务学习】Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts KDD18
热门文章
- JQuery判断元素是否存在
- 边工作边刷题:70天一遍leetcode: day 56-1
- 关于个人博客转移的那些事
- 控制台总是输出:xcode error: failed to attach to process ID 0
- Hlg 1030 排序
- 对路径“xxxx”的访问被拒绝
- easy~算法刷题第三天
- python 爬虫 使用selenium 控制浏览器 进行搜索操作
- mysql8 :客户端连接caching-sha2-password问题
- [转]linux常用命令学习总结(超详细)