语义分割-前言

本文为作者观看B站up主霹雳吧啦Wz，深度学习-语义分割篇-第一节 语义分割前言课程的笔记总结，欢迎大家指正、讨论。

视频原地址
语义分割系列视频
霹雳吧啦老师的csdn账号

语义分割任务常见数据集格式

PASCAL VOC

• 通道数为1 （单通道）

• 每一个像素对应不同的颜色

  如 像素0对应(0, 0, 0) 黑色

  ​ 像素1对应(127, 0, 0) 深红色

  ​ 像素255对应(224, 224, 129)

MS COCO

针对图像中的每一个目标都记录了多边形坐标:

语义分割得到结果的具体形式

每个像素数值对应类别索引。

例如说：上图中类别‘person’ 对应的像素为15，会显示为上图中的颜色。

在Pascal VOC数据集中各目标类别名称与类别索引对应关系：

{
	"background": 0,
    "aeroplane": 1,
    "bicycle": 2,
    "bird": 3,
    "boat": 4,
    "bottle": 5,
    "bus": 6,
    "car": 7,
    "cat": 8,
    "chair": 9,
    "cow": 10,
    "diningtable": 11,
    "dog": 12,
    "horse": 13,
    "motorbike": 14,
    "person": 15,
    "pottedplant": 16,
    "sheep": 17,
    "sofa": 18,
    "train": 19,
    "tvmonitor": 20
}

常见语义分割评价指标

• Pixel Accuracy = 预测正确的像素个数 / 总像素个数

• Mean Accuracy = 各个类别预测的准确率总和 / 总目标类别个数

• 每个类别的IoU = 正确预测类别$i$的像素个数 / (类别标签为$i$的像素个数+预测为类别$i$的像素个数 - 正确预测类别$i$的像素个数）

• Mean IoU = 各个类别的IoU总和 / 总目标类别个数

示例

根据以上真实标签和预测标签，绘制出下列统计矩阵：

根据统计矩阵，对各项指标进行计算：

• 计算Pixel Accuracy

• 计算每个类别的Accuracy
  

• 计算每个类别的IoU

  对于类别0来说：

  类别标签为0的像素个数 = 20

  预测为类别0的像素个数 = 18

  正确预测类别0的像素个数 = 16

语义分割标注工具

Labelme

Labelme工具对应博文：
https://blog.csdn.net/qq_37541097/article/details/120162702

EISeg

EISeg工具对应博文：
https://blog.csdn.net/qq_37541097/article/details/120154543