计算机视觉-语义分割任务常用指标

计算机视觉-语义分割任务常用指标

呐，这篇笔记记录了语义分割任务中十分常用的指标（包括PA，MPA，mIOU）的计算方式。整体来看，都是像素数目的比值。

首先我们需要先定义语义分割任务的类别$K+1$（包含K个目标类和1个背景类），$P_{ii}$代表本来属于第$i$类，被预测为第$i$类的像素点总数，$P_{ij}$表示本来属于第$i$类，却被预测成第$j$类的像素点总数。

0. PA（Pixel Accuracy）

• PA是什么？

  PA是指分类预测结果中，分类正确的像素点数目与所有像素点数目的比值。

• PA怎么计算？
  $$PA=\frac{{\sum }_{i=0}^K{p}_{ii}}{{\sum }_{i=0}^K{\sum }_{j=0}^K{p}_{ij}}$$

• PA的含义

  计算PA是要煮个类别的计算出各个类别下分类正确的像素点数目的和，然后除以所有像素点的数目。

1. MPA（Mean Pixel Accuracy）

• MPA是什么？

  计算每一类分类正确的像素点数和该类的所有像素点数的比例，然后对所有类别求平均。

• MPA怎么计算？
  $$MPA=\frac{1}{K}\sum _{i=0}^K\frac{p_{ii}}{{\sum }_{j=0}^K{p}_{ij}}$$

2. mIOU（Mean Intersection over Union）

• mIOU是什么？

  MIOU是计算出每个类别下预测结果与GT之间的intersection的像素数目与Union的像素数目的比值。

• mIOU怎么计算？
  $$mIOU=\frac{1}{K+1}\sum _{i=0}^K\frac{p_{ii}}{{\sum }_{j=0}^K{p}_{ij}+{\sum }_{j=0}^K{p}_{ji}-p_{ii}}$$
  式中${\sum }_{j=0}^K{p}_{ij}$意思是类别i的像素被瓜分到总共$K$个类别上的像素的数目，当然，分到第i类，那就是预测正确的，分到其他类的，那就是预测错误，漏检。

  式中${\sum }_{j=0}^K{p}_{ji}$意思是类别j的像素被多余分成第i类的像素的数目，当然，如果是第i类被分到了类别i，那就是预测正确的，如果是其余类被分成类别I，那就属于误检。

• mIOU的含义

  这是分割任务的标准度量方法，同时考虑了“漏标”和“误标”的情况。MIoU指标由于其代表性和简洁性，成为了评价分割准确性的最常用的指标。