在学习语义分割时,查阅语义分割的评价标准,发现一篇博客讲的很清楚,现附上链接
https://blog.csdn.net/weixin_38353277/article/details/121029978
以备忘时查阅,文中详细解释了
像素准确率(Pixel Accuracy,PA)、
类别像素准确率(Class Pixel Accuray,CPA)、
类别平均像素准确率(Mean Pixel Accuracy,MPA)、
交并比(Intersection over Union,IoU)、
平均交并比(Mean Intersection over Union,MIoU)
以及混淆矩阵概念。
简单记录(下面的图表均来自上述链接,见水印):
混淆矩阵:
可以看到所有正确的预测都位于对角线中,对角线之外的值都是预测错误的值。
准确率(PA):预测结果中正确的占总预测值的比例,即对角线元素值的和/总像素值的和。可以理解为图像中正确分类的像素的百分比。
上图中PA=(a+e+i)/(a+b+c+d+e+f+g+h+i)
类别像素准确率(CPA):分别计算每个类被正确分类像素数的比例,即该类别对角线上值/对应列的像素总数。
上图中类别1的CPA=a/(a+d+g)
上图中类别2的CPA=e/(b+e+h)
上图中类别3的CPA=i/(c+f+i)
类别平均像素准确率(MPA):各个类别像素准确率的和/类别数,MPA=sum(CPA)/类别数
上图中的MPA=(a/(a+d+g)+e/(b+e+h)+i/(c+f+i))/3
交并比IOU:像素的真实值与预测值的交集除以像素的真实值与预测值的并集。
两种求法:(1)该类别对角线值/与该类别对角线值同行同列的所有相关像素的和
上图中:
iou1=a/(a+b+c+d+g)
iou2=e/(b+d+e+f+h)
iou3=i/(g+h+i+c+f)
(2)代码中的求法:分母
上图中:
iou1=a/[(a+b+c)+(a+d+g)-a]
iou2=e/[(b+e+h)+(d+e+f)-e]
iou3=i/[(c+f+i)+(g+h+i)-i]
平均交并比MIoU:sum(ioui)/类别数
上图中:
MIou=(iou1+iou2+iou3)/3
链接中还有相关的代码,可以查阅学习。在代码理解时,对混淆矩阵的理解参阅了链接
https://blog.csdn.net/weixin_43143670/article/details/104722381。