语义分割之评价指标MIoU介绍

预备知识

我们在进行语义分割结果评价的时候，常常将预测出来的结果分为四个部分：True Positive，False Positive，True Negative，False Negative，其中negative就是指非物体标签的部分(可以直接理解为背景)，那么显而易见的，positive就是指有标签的部分。下图显示了四个部分的区别：

在图上可以清晰的看到，prediction图被分成四个部分，其中大块的白色斜线标记的是True Negative（TN，预测中真实的背景部分），红色线部分标记是False Negative（FN，预测中被预测为背景，但实际上并不是背景的部分），蓝色的斜线是False Positive（FP，预测中分割为某标签的部分，但是实际上并不是该标签所属的部分），中间荧光黄色块就是True Positive（TP，预测的某标签部分，符合真值）。

常用的评价指标

在评价的时候常用的指标有：IOU（交并比，也有叫做IU的），像素准确率（pixel-accuracy），有的时候还有平均准确率（mean-accuracy）。

1.IoU or IU（intersection over union）

IoU指标就是大家常说的交并比，在语义分割中作为标准度量一直被人使用。交并比不仅仅在语义分割中使用，在目标检测等方向也是常用的指标之一。
计算公式为：
$$IoU=\frac{target\cap prediction}{target\cup prediction}$$
注：1.$target\cap prediction$表示在预测和标签中都为类别的像素集合
2.$target\cup prediction$表示在预测和标签中至少有1个为类别的像素集合

如图所示：

IoU一般都是基于类进行计算的，也有基于图片计算的。
基于类进行计算的IoU就是将每一类的IoU计算之后累加，再进行平均，得到的就是基于全局的评价，所以我们求的IoU其实是取了均值的IoU，也就是均交并比（mean IoU）

2. pixcal-accuracy （PA，像素精度）

基于像素的精度计算是评估指标中最为基本也最为简单的指标，从字面上理解就可以知道，PA是指预测正确的像素占总像素的比例

3. 常用公式