语义分割常见指标汇总（DL）

在深度学习语义分割中，评估模型性能的指标有多种，每种指标衡量模型在不同方面的表现。以下是常用的语义分割评估指标及其详细解释：

1. 交并比（ Intersection over Union, IoU）

是最常用的语义分割评价指标，也称为指数。它衡量的是预测分割结果与真实分割结果的重叠程度。

TP (True Positive): 真正例，正确预测为目标类别的像素数

TN(True Negative):真负例，正确预测为非目标类别（背景）的像素数

FP (False Positive):假证例， 错误将非目标类别预测为目标类别的像素数

FN (False Negative): 假负例，错误将目标类别像素预测为非目标类别的像素数

2. 平均交并比（mean Intersection over Union, mIoU）

是所有类别的平均值，用于多类别分割任务。计算方式为对每个类别的求平均：

其中，是类别总数， 是第个类别的。

3. 全像素准确率（Pixel Accuracy, PA）

衡量模型在所有像素上预测的准确性，即预测正确的像素占总像素的比例：

4.平均精度（Mean Pixel Accuracy, MPA）

平均精度是针对每个类别计算的全像素精度的平均值。

5.精确度（Precision）

精确度是正确预测为正类的像素数与预测为正类的总像素数的比值。

6.召回率（Recall）

召回率是正确预测为正类的像素数与实际正类的总像素数的比值。

7.F1分数（F1 Score）

F1分数是精确度和召回率的调和平均值。

8. 类别平均准确率（Class Average Accuracy, CA）

是对每个类别的准确率求平均，用于衡量模型在每个类别上的均衡表现：

9. 加权全像素准确率（Frequency Weighted Intersection over Union, FWIoU）

考虑了每个类别在数据集中出现的频率，以加权的方式计算平均：

其中， 是第个类别的像素数占总像素数的比例。

10. Dice系数（Dice Coefficient）

系数也是衡量重叠度的指标，与类似，但更强调重叠部分：

11. Kappa系数（Kappa Coefficient）

系数用于衡量预测结果与真实结果之间的一致性，考虑了偶然一致的情况：

​: 实际观测到的一致性，​: 偶然一致的概率

这些指标可以根据不同的任务需求组合使用，以全面评估语义分割模型的性能。和是最常用的指标，尤其在多类别分割任务中，具有良好的区分度和直观性。