语义分割评价指标:PA, CPA, MPA, IoU, MIoU

host
host
host
33
文章
0
评论
2022年4月12日11:36:57语义分割评价指标:PA, CPA, MPA, IoU, MIoU已关闭评论1,843

语义分割是像素级别的分类,其常用评价指标:

  1. 像素准确率(Pixel Accuracy,PA)
  2. 类别像素准确率(Class Pixel Accuray,CPA)
  3. 类别平均像素准确率(Mean Pixel Accuracy,MPA)
  4. 交并比(Intersection over Union,IoU)
  5. 平均交并比(Mean Intersection over Union,MIoU)

其计算都是建立在混淆矩阵(Confusion Matrix)的基础上。因此,需要首先了解基本的混淆矩阵之后才能深刻理解上面的5种评价标准。

混淆矩阵

顾名思义,其就是一个矩阵,可理解为一张表格,但矩阵前加上“混淆”之后,很容易让人理解产生误差,即:“混淆矩阵真混淆(一脸懵逼)”。更学术的说法混淆矩阵就是统计分类模型的分类结果,即:统计归对类,归错类的样本的个数,然后把结果放在一个表里展示出来,这个表就是混淆矩阵。

PA:像素准确率

  • 对应:准确率(Accuracy)
  • 含义:预测类别正确的像素数占总像素数的比例
  • 混淆矩阵计算:
    • 对角线元素之和 / 矩阵所有元素之和
    • PA = (TP + TN) / (TP + TN + FP + FN)

CPA:类别像素准确率

  • 对应:精准率(Precision)
  • 含义:在类别 i 的预测值中,真实属于 i 类的像素准确率,换言之:模型对类别 i 的预测值有很多,其中有对有错,预测对的值占预测总值的比例
  • 混淆矩阵计算:
    • 类1:P1 = TP / (TP + FP)
    • 类2:P2 = TN / (TN + FN)
    • 类3:…

MPA:类别平均像素准确率

  • 含义:分别计算每个类被正确分类像素数的比例,即:CPA,然后累加求平均
  • 混淆矩阵计算:
    • 每个类别像素准确率为:Pi(计算:对角线值 / 对应列的像素总数)
    • MPA = sum(Pi) / 类别数

IoU:交并比

  • 含义:模型对某一类别预测结果和真实值的交集与并集的比值
  • 混淆矩阵计算:
    • 以求二分类:正例(类别1)的IoU为例
    • 交集:TP,并集:TP、FP、FN求和
    • IoU = TP / (TP + FP + FN)

MIoU

  • 含义:模型对每一类预测的结果和真实值的交集与并集的比值,求和再平均的结果
  • 混淆矩阵计算:
    • 以求二分类的MIoU为例
    • MIoU = (IoU正例p + IoU反例n) / 2 = [ TP / (TP + FP + FN) + TN / (TN + FN + FP) ] / 2

交集、并集如何计算

如图所示,A代表真实值(ground truth),B代表预测样本(prediction),预测值和真实值的关系如下:

语义分割评价指标:PA, CPA, MPA, IoU, MIoU

  • TP(True Positive):
    • 橙色,TP = A ∩ B
    • 预测正确,真正例,模型预测为正例,实际是正例(模型预测为类别1,实际是类别1)
  • FP(False Positive):
    • 黄色,FP = B - (A ∩ B)
    • 预测错误,假正例,模型预测为正例,实际是反例 (模型预测为类别1,实际是类别2)
  • FN(False Negative):
    • 红色,FN = A - (A ∩ B)
    • 预测错误,假反例,模型预测为反例,实际是正例 (模型预测为类别2,实际是类别1)
  • TN(True Negative):
    • 白色,TN = ~(A ∪ B)
    • 预测正确,真反例,模型预测为反例,实际是反例 (模型预测为类别2,实际是类别2)

因此,可知正例(类别1)的IoU为:IoU = TP / (TP + FN + FP)

host
  • 本文由 发表于 2022年4月12日11:36:57
  • 转载请务必保留本文链接:https://www.zenook.cn/ml/pa-cpa-mpa-iou-miou.html
矢量数据和栅格数据 遥感图像

矢量数据和栅格数据

说起矢量数据要先简单提一提矢量图与位图 矢量图 矢量图又叫向量图。由一些列计算机指令去记录一幅图。向量图将图像解构成点、线、面,记录对象的几何形状、线条粗细以及色彩组成。该类图像的优点是储存量很小,适...
交叉验证(Cross-validation) 机器学习

交叉验证(Cross-validation)

交叉验证是一种用来评价一个统计分析的结果是否可以推广到一个独立的数据集上的技术。主要用于预测,即,想要估计一个预测模型的实际应用中的准确度。它是一种统计学上将数据样本切割成较小子集的实用方法。于是可以...
机器学习与深度学习概念 机器学习

机器学习与深度学习概念

对于很多初入学习人工智能的学习者来说,对人工智能、机器学习、深度学习的概念和区别还不是很了解,那么接下来就给大家从概念和特点上进行阐述。先看下三者的关系。 人工智能(Artificial Intell...