语义分割是像素级别的分类，其常用评价指标：
- 像素准确率（Pixel Accuracy，PA）
- 类别像素准确率（Class Pixel Accuray，CPA）
- 类别平均像素准确率（Mean Pixel Accuracy，MPA）
- 交并比（Intersection over Union，IoU）
- 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：
- 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)
评论