显著性检测的评价指标

对于显著性检测，最基本的指标请看这一篇。
E-measure，S-measure，weighted F-measure：这个我找了好久好久。。。最后终于在这里找到了。E-measure全称是Enhanced-alignment measure，S-measure全称是Structure measure。
Structure measure
说白了这些都是关注推理结果和真值图像结构相似性之类的评价指标，比如有一些点离前景真值很远，但依然被判定为前景，这样的推理是离谱的，因此就要用较高的权值来惩罚它。

这些指标这篇论文中都有提到，详情在参考文献中。

20211103更新

今天重新看了计算相关指标的源码，发现之前的理解有点问题，在这里重新记录一下。

mean F-measure & max F-measure

首先解释一下mean F-measure和max F-measure，我们知道，SOD预测值和真值之间可以计算出precision和recall，这两个指标和阈值相关，通过不同阈值（一般是1到255）对预测值进行二值化后计算这两个指标，然后根据下面的公式可以得到255个F-measure。

然后比如你测了n张图片这255个阈值对F-measure，就每个阈值的F-meausre除n就会得到最终的255个F-measure了，然后这里面最大的F-measure值就是max F-measure。
之前我以为mean F-measure就是这255个F-measure求平均值就好了，但实际上看了代码之后并不是这样的，这个mean F-measure其实是用自适应阈值求出来的，参考的是*Frequency-tuned salient region detection(CVPR 2009)*这篇论文。
具体来说，是用预测值所有pixels的预测值的平均值的二倍作为阈值，求得precision和recall，然后进而求得F-measure，然后和上面一样除测试图片数量n就是最终的mean F-measure。

S-measure

S-measure就和本文开头提到的Structure measure那篇博客介绍的一样。有一点点复杂，建议直接用源码算。

E-measure

Enhanced-alignment Measure for Binary Foreground Map Evaluation 看这篇论文。

weighted F-measure