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）（准确率）、(TP + TN) / (TP + TN + FP + FN)
类别像素准确率（Class Pixel Accuray，CPA）（精确率）、TP / (TP + FP) 或 TN / (TN + FN)
类别平均像素准确率（Mean Pixel Accuracy，MPA）、
交并比（Intersection over Union，IoU）、IoU正例p = TP / (TP + FP + FN)
平均交并比（Mean Intersection over Union，MIoU），= (IoU正例p + IoU反例n) / 2 = [TP / (TP + FP + FN) + TN / (TN + FN + FP) ] / 2

通用评价

TP（True Positive）：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）：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）：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）：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）
混淆矩阵示意图（参考：西瓜书 p30）：

请输入图片描述

  • 准确率（Accuracy），对应：语义分割的像素准确率 PA
    公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)
    意义：对角线计算。预测结果中正确的占总预测值的比例（对角线元素值的和 / 总元素值的和）
  • 精准率（Precision），对应：语义分割的类别像素准确率 CPA
    公式：Precision = TP / (TP + FP) 或 TN / (TN + FN)
    意义：竖着计算。预测结果中，某类别预测正确的概率
  • 召回率（Recall），不对应语义分割常用指标
    公式：Recall = TP / (TP + FN) 或 TN / (TN + FP)
    意义：横着计算。真实值中，某类别被预测正确的概率
© 允许规范转载
如果对你有帮助就太好了）））