1. 语义分割常用评价指标
语义分割目前在自动驾驶场景解析、医学图像分割等多个领域被广泛应用,简言之,是对每个像素进行分类。
目前语义分割中最常用的评价指标是平均交并比 (mean Inetersection over Union, 简称mIoU)(这个最常用) 和 像素准确率 (Pixel accuracy, 简称PA),在主流的期刊、会议论文中被作为方法验证的主要评价指标。在介绍这两个评价指标之前,先简单介绍一下混淆矩阵,因为这两种指标都是建立在混淆矩阵的基础上得到的。
1.1 混淆矩阵
对于以下指标,我们假设共有k+1类,(从 L 0 L_0 L0到 L k L_k Lk,包括一个空类或者是背景), P i j P_{ij} Pij是本属于第 i i i类却被分到第 j j j类的像素数量, P i i P_{ii} Pii代表的是分类正确的正例数量,其他几个 p p p值类似。
- TP(True Positive—真正例):预测结果为正例,实际值也为正例,预测正确,为ture;
- FN(False Negative—假负例): 预测结果为负例,实际值为正例,预测错误,为false;
- FP(False Positive—假正例): 预测结果为正例,实际值为负例,预测错误,为false;
- TN(True Negative—真负例): 预测结果为负例,实际值也为负例,预测正确,为ture。
- 因此, P i i P_{ii} Pii即表示TP+TN, P i j P_{ij} Pij表示FP+FN。
1.2 PA像素准确率
像素准确率的计算公式为:
计算的是正确分类的像素数量与所有像素数量的比值,
用混淆矩阵表示即:
$PA = (TP + TN)/(TP + FP + TN + FN) $
像素准确率平均值(MPA):表示正确分类像素的比例是按类计算的,最终由类总数取平均。
1.3 mIoU
这是用于分割问题的标准评价指标,其计算的是两个集合的交集与其并集的重合比例,在本问题中,其计算的便是真实分割与系统预测的分割之间的交并比。这个比例可以被重新定义为真实正例(交集)的数量除以总数量(包括真实正例、错误负例、以及错误正例(并集))。IoU也是按类计算最后取平均。
利用混淆矩阵表示:
m
I
o
U
=
(
T
P
)
/
(
T
P
+
F
P
+
F
N
)
mIoU = (TP)/(TP+FP+FN)
mIoU=(TP)/(TP+FP+FN)
频率加权交并比(FWIoU):是对mIoU的改进,对每个类别按照重要性进行加权,重要性来自于其出现的频率。