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:
I
o
U
=
t
a
r
g
e
t
∩
p
r
e
d
i
c
t
i
o
n
t
a
r
g
e
t
∪
p
r
e
d
i
c
t
i
o
n
IoU = \frac{target\cap prediction}{target \cup prediction}
IoU=target∪predictiontarget∩prediction
注:1.
t
a
r
g
e
t
∩
p
r
e
d
i
c
t
i
o
n
target\cap prediction
target∩prediction表示在预测和标签中都为类别的像素集合
2.
t
a
r
g
e
t
∪
p
r
e
d
i
c
t
i
o
n
target \cup prediction
target∪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