语义分割评价指标

miou

参考结合着看很好

https://www.cnblogs.com/Fish0403/p/17117778.html

只有二标签时

positive为我预测为真，negative为我预测为假，true和false表示我预测的对不对,我预测为真（positive）但他是假（negative），我预测地不对，那就是（FP）

多标签

iou又叫交并比，交intersection,并union

就是交集/并集

示例 猫狗猪三分类评价指标计算

当分类问题是二分问题时，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同时适用。以下面的混淆矩阵为例，我们的模型目的是为了预测样本是什么动物，左边是结果。当分析每个类别时，可以将多分类问题看作是每个类别的二分问题：

比如对于猫来说，我预测他不为猫，而且他真的不是猫，这部分我们不管，我们要注意的是我们预测为猫但他不是猫（FP），我们预测不是猫但他真的是猫（FN），以及交集我们预测为猫，他也确实为猫（TP）。

miou具体计算过程

首先求交集和并集

def intersectionAndUnionGPU(output, target, K, ignore_index=255):
    # 'K' classes, output and target sizes are N or N * L or N * H * W, each value in range 0 to K - 1.
    """
    取交集和并集，为后面计算miou和正确率做铺垫
    根据预测标签和真实标签计算出有多少预测对了，以及相应的每一类的预测统计，即每一个标签有多少个点
    output:预测标签
    target:本来的标签
    return 统计数据 area_intersection 预测正确的每一类有多少个 (k,)
    area_union area_output + area_target - area_intersection(k,)
    area_target 真实标签每一类有多少个(k,)
    """
    assert (output.dim() in [1, 2, 3])
    assert output.shape == target.shape
    output = output.view(-1)#转成1维，其实一直都是1维
    target = target.view(-1)
    output[target == ignore_index] = ignore_index #如果本身标签为255，则直接将预测标签置为255
    intersection = output[output == target] #选出预测正确的的标签
    area_intersection = torch.histc(intersection, bins=K, min=0, max=K-1) #预测正确的每一类有多少个
    area_output = torch.histc(output, bins=K, min=0, max=K-1)#预测标签每一类有多少个
    area_target = torch.histc(target, bins=K, min=0, max=K-1)#真实标签每一类有多少个
    area_union = area_output + area_target - area_intersection
    return area_intersection, area_union, area_target

intersection = output[output == target]

求交集，就是预测和真实结果一样的位置

area_intersection统计每一类交集TP的数量 tp

area_output 预测标签每一类有多少个 即 tp+fp

area_target 真实标签每一类有多少个 即tp+fn

area_union每一类的并集也就是tp+fp+fn

area_union = area_output + area_target - area_intersection

=tp+fp+fn

然后

miou

np.mean(intersection / (union + 1e-10))

可以看出miou并非是按类中的点进行加权的，而是直接进行平均

正确率

比如猫

就是我预测是猫且对了的个数（tp）/全部猫的总数（这里指真实标签）

也就是target或tp+np

正确率 交集（tp）/target或者是 交集（tp）/tp+np

acc=intersection / (target + 1e-10)

macc=np.mean(intersection / (target + 1e-10))