（深度学习）类别不平衡数据集中IOU和mIOU的选择

最新推荐文章于 2024-03-15 10:01:53 发布
最新推荐文章于 2024-03-15 10:01:53 发布
阅读量824 收藏 3
点赞数 2
分类专栏： 计算机视觉 机器学习 文章标签： 深度学习 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40728667/article/details/130373078
版权
当测试集上的mIOU表现良好，但在实际分割中前景分割效果差，可能由于目标占总面积比例过小导致样本不均衡。背景的高IOU影响了mIOU的可靠性，强调了关注前景IOU的重要性。在语义分割评估中，尤其是医学图像分析，选择IOU而非Hausdorff距离作为指标是因为IOU更能反映整体分割质量。
摘要由CSDN通过智能技术生成

        测试集上的mIOU很高，但是实际的分割结果很差，几乎没有分割出前景，主要是因为要分割的目标占总面积之比太少，即出现样本不均衡的问题。

        此时，前景所占的比例太小，背景所占的比例太大，前景背景占比严重失衡。背景的IOU大大提高了mIOU，导致mIOU不再靠谱，更重要的是前景的IOU

Reference：

  1. 详解计算miou的代码以及混淆矩阵的意义
  2. 为什么顶会顶刊的医学图像分割评估指标大多选择iou，而不选择hausdorff距离？ - 知乎
  3. 在语义分割中miou靠谱吗？ - 知乎

Think@
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
点云从入门到精通技术详解100篇-基于深度学习的室内场景三维点云语义分割（续）
getusushu的博客
01-08 1148
构进行特征学习，去预测每个点的质心坐标偏移量，通过偏移量将原点云进行相应平移，了点云的几何结构信息，但是对于局部特征的利用并不如二维卷积更加细致，且点云的。测问题，同时指出无论物体处于何种位置与姿态，质心点都可作为物体稳定特征点，为。双层设计的启发，虽然受数据采集影响致使点云密度不均匀，但相同类别物体仍然忠于。边缘卷积模块，通过在不同特征点下对边缘特征重利用，实现更加精细的边界分割。量与原点云的结合作为第二阶段的输入，针对分割边缘模糊问题，本文增加了。方式仅考虑到了点云无序性，并没注意到点云的。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征提取（论文篇一）
qq_36130719的博客
04-17 1740
的训练数据集提取该数据集中的数据特征，利用反向传播技术不断用学到的特征修改网。络的参数从而达到网络学习的目的，最终建立输入与目标之间的映射关系。习，通过大量数据样本完成对神经网络参数的调整，以达到拟合训练数据分布的目的。核在图像上进行滑动计算，滑动过程中对卷积核覆盖的像素进行加权求和。动过图像的所有像素后，即可得到提取的图像特征信息。到的特征信息图像大小一致，通常需要在卷积操作之前对原始图像进行填充。空洞卷积和普通卷积的区别在于，空洞卷积的卷积核不是连续而。的颜色标记，而该像素相关的单元用相同的颜色标记。
目标检测——map概念、Miou计算、IoU汇总IoU、GIoU、DIoU、CIoU、SIoU、EIoU、Wiou、Focal、alpha
Chaoy6565的博客
01-12 2574
map是Mean Average Precision 的缩写（均值平均精度）介绍map之前，先了解以下概念TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。TP+FN。
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）
热门推荐
西北种田文的博客
12-22 8万+
文章目录引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比（改进，先求IoU，再求MIoU，这里有误）3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU4 测试代码参考 引言 语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA...
目标检测(IOU) + 语义分割(mIOU) +NMS
ytusdc的博客
03-21 7202
一、IOU 我们先来看下IOU的公式： 现在我们知道矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1) 这里我们可以看到和在确定坐标而不确定两个矩形是否相交的情况下，为已知的常量． 所以，我们只需要求解就行 这里我们先来看一下水平方向上的情况： 从上述的三种情况中我们可以看出： 当有重叠或者...
【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现
ting的博客
03-24 3043
混淆矩阵Confusion Matrix是大小为 (n_classes, n_classes) 的方阵, n_classes 表示类的数量。混淆矩阵可以用于直观展示每个类别的预测情况。并能从中计算精确值(Accuracy)、精确率(Precision)、召回率(Recall)、交并比(IoU)。
计算机视觉基础之IoU和mIoU
黄小黄的窝
10-10 1万+
IoU IoU(Intersection over Union)，又称重叠度/交并比。 1、NMS：当在图像中预测多个proposals、pred bboxes时，由于预测的结果间可能存在高冗余（即同一个目标可能被预测多个矩形框），因此可以过滤掉一些彼此间高重合度的结果；具体操作就是根据各个bbox的score降序排序，剔除与高score bbox有较高重合度的低score bbox，其中重合度的度量指标就是IoU 2、mAP：得到检测算法的预测结果后，需要对pred bbox与gt bbox一起评估检测算
深度学习指标| 置信区间、Dice、IOU、MIOU、Kappa
qq_40306845的博客
03-15 2414
深度学习部分的指标介绍置信区间、Dice、IOU、MIOU、Kappa。
语义分割指标---MIoU详细介绍（原理及代码）
smallworldxyl的博客
11-18 5万+
一.IOU理解 在语义分割的问题中，交并比就是该类的真实标签和预测值的交和并的比值 单类的交并比可以理解为下图： TP: 预测正确，真正例，模型预测为正例，实际是正例 FP: 预测错误，假正例，模型预测为正例，实际是反例 FN: 预测错误，假反例，模型预测为反例，实际是正例 TN: 预测正确，真反例，模型预测为反例，实际是反例 IoU = TP / (TP + FN + FP) 二.MIoU MIOU就是该数据集中的每一个类的交并比的平均,计算公式如下： Pij表示将i类别预测为j类别。 三.混淆
深度学习miou、准确率
09-24
深度学习中的mIoU是指平均交并比（mean Intersection over Union），它是一种用于衡量图像分割模型性能的指标。交并比（Intersection ...它是一种常用的评价分类模型性能的指标，但在不平衡数据集中可能会存在偏差。
门控反馈细化网络：解决密集图像标记中的模糊不清问题的深度学习框架
{amirul, mrochan, bruce, ywang}@cs.umanitoba.ca137510用于密集图像标记的门控反馈细化网络0Md Amirul Islam，...在本文中，我们提出了门控反馈细化网络（G-FRNet），这是一个端到端的深度学习框架，用于密集标记
【论文阅读】Prior Guided Feature Enrichment Network for Few-Shot Segmentation
栗子菜菜
10-01 1300
Prior Guided Feature Enrichment Network for Few-Shot SegmentationAbstractIntroductionRelated WorkSemantic Segmentation（语义分割）Few-shot Learning（小样本学习）Few-shot Segmentation（小样本分割）Our MethodTask Description（任务描述）Prior for Few-Shot Segmentation重要的观察（为什么使用先验引导）P
深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系
weixin_44097477的博客
03-30 9993
深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score定义，区别和联系
mindspore中语义分割网络MAResU-Net测试集mIoU低
weixin_45666880的博客
06-19 853
问题描述：【功能模块】语义分割网络MAResU-Net测试集mIoU低【操作步骤&问题现象】训练和测试的方式都相同，pytorch和mindspore测试出的acc精度一样（都在0.8左右），但是mIoU，mindspore却远低于pytoch(pytorch有0.75左右，mindspore只有0.42左右)mindspore mIoU解答：训练的数据集，epoch，batchsize大小，学习率等都是完全复现的之前在pytorch上的实验。目前怀疑是因为我的网络backbone使用了ModelZoo中的
语义分割评价指标
qq_43545501的博客
04-07 3097
自己做的笔记自己看的，如果有大佬能指出错误非常感谢
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现
smallworldxyl的博客
11-26 1万+
文章目录 引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比 3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU 4 测试代码参...
MIoU（均交并比）的计算
晓野豬
10-10 3万+
文章目录1 交并比（Intersection over Union，IoU）1.1 传统 IoU1.2 语义分割中的IoU1.3 语义分割中的MIoU2 IoU 的计算2.1 单个类别 IoU 的计算2.2 MIoU 的计算步骤 1：求混淆矩阵步骤 2：计算 MIoU 1 交并比（Intersection over Union，IoU） 1.1 传统 IoU 公式：SA∪B=SA+SB−SA∩B\rm S_{A\cup B}=S_{A}+S_{B}-S_{A\cap B}SA∪B​=SA​+SB​−SA∩
深度学习图像彩色（RGB）多分类标签转换单通道训练标签 再转回彩色标签的解决方案
qq_40494242的博客
03-17 7568
这两天一直在纠结这个问题，用Vaihingen数据集的过程中发现他的标签是RGB三通道的，不能用于pytorch深度学习的训练（pytorch只接受012…classnum样式的标签），所以需要进行一个转换，单通道的标签由于灰度值差距不大，肉眼观察会是一片黑，转换成彩色标签图也方便查看分类情况。 话不多说，直接放代码。 参考：https://blog.csdn.net/qq_28368377/article/details/108824851 https://blog.csdn.net/qq_3622422
正样本和负样本，前景类/ 背景，hard negative mining
Hali_Botebie的博客
04-28 3424
正样本（positive example ）和负样本（negative example） 单独针对某个分类，与GT的IOU大于上门限的bbox是正样例，同理，与GT的IOU低于下门限bbox是负样例， 例如： 如下图，对“person”分类时，其他bbox均为负样本 easy negative example 和 hard negative example easy negative example 信息量很少的bbox，易分类的负样本，如上图中的红色 bbox hard negative example
iou和miou的区别
最新发布
04-03
IOU（Intersection over Union）和mIOU（mean Intersection over Union）是在目标检测和语义分割任务中常用的评价指标。 IOU是指预测框（或分割结果）与真实框（或真实分割标注）之间的交集面积与并集面积的比值。它用于衡量预测框与真实框之间的重叠程度，数值范围在0到1之间，值越大表示预测结果与真实结果的匹配程度越高。 mIOU是指对多个样本计算IOU并求平均值得到的结果。在语义分割任务中，每个像素都有一个类别标签，mIOU用于衡量预测结果与真实标签之间的匹配程度。首先计算每个类别的IOU，然后将所有类别的IOU求平均得到mIOU。 区别： - IOU是针对单个目标或单个像素的评价指标，而mIOU是对多个目标或多个像素进行评价。 - IOU只关注两个区域的重叠程度，而mIOU考虑了多个类别之间的匹配程度。 - IOU是一个具体的数值，而mIOU是一个平均值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Think@

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值