算法评价指标-车道线检测

算法评价指标

准确率

$C_{im}$正确预测的车道点数量 , $S_{im}$ 真实标签中的车道点数量

当预测的与实际的车道线之间距离小于设定阈值时,认为该车道点预测正确

误检率 $FP$

漏检率 $FN$

$F_{pred}$为预测错误的车道线数量, $N_{pred}$为预测的车道线总数量, $M_{pred}$ 没有预测到但真实存在的车道线数量, $N_{gt}$ 标签中所有的车道线数量

$F_1$Score

是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。$F_1$分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。

$F_1$分数，又称平衡F分数（balanced F Score），它被定义为精确率和召回率的调和。

召回率(recall): 该类样本有多少被找出来了(召回了多少)
精确率(Precision): 你认为的该类样本,有多少猜对了(猜得精确性如何)
来源: https://www.zhihu.com/question/19645541张俊博

CULane用的是IoU

Dice 系数计算示例

dice_loss
参考链接: https://www.aiuai.cn/aifarm1159.html
dice_loss参考博客:https://zhuanlan.zhihu.com/p/269592183

Dice coefficient

dice loss 来自文章VNet(V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation)，旨在应对语义分割中正负样本强烈不平衡的场景。dice loss 来自 dice coefficient，是一种用于评估两个样本的相似性的度量函数，取值范围在0到1之间，取值越大表示越相似。dice coefficient定义如下:

其中$|X\bigcap Y|$是X和Y之间的交集,$|X|$和$|Y|$分表表示X和Y的元素的个数,分子乘2为了保证分母重复计算后取值范围在 [0,1]之间.

因此dice loss可以写为:因此dice loss可以写为:

语义分割问题而言，X - GT 分割图像, Y - Pred 分割图像.

Dice 系数计算示例

预测的分割图的 dice 系数计算，首先将 $|X\bigcap Y|$近似为预测图与 GT 分割图之间的点乘，并将点乘的元素结果相加：

Pred 预测分割图与 GT 分割图的点乘：

逐元素相乘的结果元素的相加和：

关于 |X| 和 |Y| 的量化计算，可采用直接简单的元素相加；也有采用取元素平方求和的做法：

注：dice loss 比较适用于样本极度不均的情况，一般的情况下，使用 dice loss 会对反向传播造成不利的影响，容易使训练变得不稳定.