【语义分割】语义分割任务中最常用的评价指标

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$L_0$到$L_k$，包括一个空类或者是背景），$P_{ij}$是本属于第$i$类却被分到第$j$类的像素数量，$P_{ii}$代表的是分类正确的正例数量，其他几个$p$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，$P_{ii}$即表示TP+TN，$P_{ij}$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：
$mIoU=(TP)/(TP+FP+FN)$
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。