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
i
j
n_{ij}
nij:类别i被预测成类别j的个数
n
c
l
s
n_{cls}
ncls:目标类别个数(包括背景)
t
i
=
∑
j
n
i
j
t_i = \sum_{j}n_{ij}
ti=∑jnij: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:
P
i
x
e
l
A
c
c
u
r
a
c
y
=
∑
i
n
i
i
∑
i
t
i
Pixel \; Accuracy = \frac{\sum_{i}n_{ii}} {\sum_{i}t_{i}}
PixelAccuracy=∑iti∑inii
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:
m
e
a
n
A
c
c
u
r
a
c
y
=
1
n
c
l
s
⋅
∑
i
n
i
i
t
i
mean \; Accuracy = \frac{1} {n_{cls}} \cdot \sum_{i} \frac{n_{ii}}{t_{i}}
meanAccuracy=ncls1⋅i∑tinii
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:
m
e
a
n
I
o
U
=
1
n
c
l
s
⋅
∑
i
n
i
i
t
i
+
∑
j
n
j
i
−
n
i
i
mean \; IoU = \frac{1} {n_{cls}} \cdot \sum_{i} \frac{n_{ii}}{t_{i}+\sum_{j} n_{ji} - n_{ii}}
meanIoU=ncls1⋅i∑ti+∑jnji−niinii
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
i
i
n_{ii}
nii代表预测正确的部分,即两个圆重合的部分。
t
i
t_i
ti对应类别i的总像素个数,即绿色圆的面积。
∑
j
n
j
i
\sum_{j} n_{ji}
∑jnji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。