语义分割任务中的评价指标

语义分割任务中的评价指标

前言

归纳整理全卷积网络（FCN）原论文中提到的语义分割任务中常见的三种评价指标：Pixel Accuracy (Global Acc) 、mean Accuracy 、mean IoU。
$n_{ij}$：类别i被预测成类别j的个数
$n_{cls}$：目标类别个数（包括背景）
$t_i={\sum }_j{n}_{ij}$：目标类别i的总像素个数（真实标签）

1. Pixel Accuracy (Global Acc)

计算公式如下：
$$PixelAccuracy=\frac{{\sum }_i{n}_{ii}}{{\sum }_i{t}_i}$$
分子是所有预测正确像素个数的总和；分母是图片的总像素个数。

2. mean Accuracy

计算公式如下：
$$meanAccuracy=\frac{1}{n_{cls}}\cdot \sum _i\frac{n_{ii}}{t_i}$$
将每个类别的Accuracy计算出来，求和取平均。

3. mean IoU

计算公式如下：
$$meanIoU=\frac{1}{n_{cls}}\cdot \sum _i\frac{n_{ii}}{t_i+{\sum }_j{n}_{ji}-n_{ii}}$$
与目标检测中的IoU原理一致，都是交集/并集。假设绿色的圆代表真实标签，蓝色的圆代表预测的标签。$n_{ii}$代表预测正确的部分，即两个圆重合的部分。$t_i$对应类别i的总像素个数，即绿色圆的面积。${\sum }_j{n}_{ji}$代表所有被预测为类别i的像素总个数，即蓝色圆的面积。
最后将每个类别的IoU相加，除以总类别个数，得到mean IoU。

参考

Markdown公式指导手册
语义分割前言