【深度学习实战（16）】语义分割性能评价指标PA，MIoU介绍

BILLY BILLY

已于 2024-04-21 18:39:18 修改

阅读量182

点赞数 2

分类专栏：深度学习基础文章标签：深度学习

于 2024-04-21 16:53:48 首次发布

本文链接：https://blog.csdn.net/m0_51579041/article/details/138038290

版权

深度学习基础专栏收录该内容

48 篇文章 3 订阅

订阅专栏

本文介绍了混淆矩阵在分类模型中的应用，重点解析了像素精度（PA）和MeanIntersectionoverUnion（MIoU）这两个用于评估图像分类效果的指标，强调了它们的计算方法以及各自的优缺点，特别是在处理小目标为主的图像分割时的适用性。

摘要由CSDN通过智能技术生成

一、混淆矩阵

混淆矩阵就是统计分类模型的分类结果，即：统计归对类，归错类的样本的个数，然后把结果放在一个表里展示出来，这个表就是混淆矩阵。
对于二分类问题，将类别1称为正例（Positive），类别2称为反例（Negative），分类器预测正确记作真（True），预测错误记作（False），由这4个基本术语相互组合，构成混淆矩阵的4个基础元素，为：
TP（True Positive）：真正例，模型预测为正例，实际是正例
FP（False Positive）：假正例，模型预测为正例，实际是反例
FN（False Negative）：假反例，模型预测为反例，实际是正例
TN（True Negative）：真反例，模型预测为反例，实际是反例
在这里插入图片描述

二、Pixel Accuracy (PA，像素精度)

（1）含义：分类正确的像素点数和所有的像素点数的比例
（2）计算公式：
在这里插入图片描述
图像中共有k+1类，Pii 表示将第i类分成第i类的像素数量(正确分类的像素数量)，Pij表示将第i类分成第j类的像素数量(所有像素数量) 。因此该比值表示正确分类的像素数量占总像素数量的比例。
（3）根据混淆矩阵计算PA：
对角线元素之和 / 矩阵所有元素之和
PA = (TP + TN) / (TP + TN + FP + FN)
（4）优缺点
优点：简单
缺点：如果图像中大面积是背景，而目标较小，即使将整个图片预测为背景，也会有很高的PA得分，因此该指标不适用于评价以小目标为主的图像分割效果。

三、Mean Intersection over Union (MIoU)

（1）含义：MIoU就是该数据集中的每一个类的交并比的平均。
（2）计算公式如下：其中，Pij表示将i类别预测为j类别。
在这里插入图片描述
（3）根据混淆矩阵计算MIoU：

（4）一个有趣的图解：

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）。