文章目录
1 交并比(Intersection over Union,IoU)
1.1 传统 IoU
公式:
1.2 语义分割中的IoU
语义分割问题中的两个集合为:真实值(ground truth)和预测值(predicted segmentation)。这个比例可以变形为正真数(intersection)比上真正、假负、假正(并集)之和。在每个类上计算IoU,之后平均。
1.3 语义分割中的MIoU
均交并比(Mean Intersection over Union,MIoU):语义分割的标准度量,计算所有类别交集和并集之比的平均值。
2 MIoU 的计算
2.1 MIoU 的计算
以pascal数据集为例,其包含 21个 类别, 分别对每个类别求 。令 表示类别 表示加上了背景类, 表示真实值, 表示预测值, 表示将 预测为 ,则某一类别的 可按如下方式计算:
其中, 将 预测为 ,为假负(FN); 将 预测为 ,为假正(FP); 将 预测为 ,为真正(TP)。因此,可等价于
(正类:类别 , 负类:非类别 )
TP(真正): 预测正确, 预测结果 = 真实 = 正类 ;
FP(假正): 预测错误, 预测结果 = 正类 真实 = 负类;
FN(假负): 预测错误, 预测结果 = 负类 真实 = 正类;
TN(真负): 预测正确, 预测结果 = 负类 = 真实 = 负类;
:计算两圆交集(橙色部分)与两圆并集(红色+橙色+黄色)之间的比例,理想情况下两圆重合,比例为 1。
2.2 MIoU 计算实例
步骤 1:求混淆矩阵
混淆矩阵:表示预测值和真实值之间的差距的矩阵,形式如下
步骤 2:计算 MIoU
混淆矩阵的每一行(FN+TP)再加上每一列(FP+TP),最后减去对角线上(TP)的值:
计算 MIoU 例子源码
【参考】
文章出处登录后可见!
已经登录?立即刷新