背景
假设在一次分类/分割任务中，共有60个样本，其中：
- 10个A类
- 20个B类
- 30个C类
每个样本的预测结果如下。 可见其对角线上的数字（8，15，24）均为正确预测，其它为错误预测。且每一列的总和为该类的总数目。
❓那么对于以上的结果，如何计算此次分类任务的GA、OA、mAcc、IoU、mIoU？
计算
GA、OA
Global Accuracy，Overall Accuracy表示全局的准确性，既不考虑类别，仅考虑所有样本的分类好坏。
计算方式： 所有正确分类的样本 / 样本总数。
Class Accuracy
Class Accuracy，每一个类别的分类准确性。
计算方式： 正确预测为该类别的样本数 / 该类别的实际样本数
Mean Accuracy
即Mean (Class) Accuracy，mAcc，所有类别的平均准确率。
计算方式： 所有 Class Accuracy 取平均值
Intersection over Union (IoU)
某一类的预测结果和真实值的交集与其并集的比值
计算方式： （某类的真实样本 ∩ 预测为该类的样本） / （某类的真实样本 ∪ 预测为该类的样本）
Mean IoU
mIoU，计算方式： 所有 Class 的 IoU取平均值
对于IoU和mIoU的计算，也可以更形象地参考：深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、IoU、mIoU
文章出处登录后可见！
已经登录？立即刷新
