机器学习算法评估指标——2D语义分割

语义分割有三大评价指标：执行时间、内存占用以及准确度。下面重点介绍语义分割准确度的评估指标。

假设一共有k+1类（包括k个目标类和1个背景类），Pij表示本属于i类却预测为j类的像素点总数，具体地，Pii表示true positives，Pij（j≠i）表示false positives，Pji（i≠j）表示false negtives

PA（Pixel Accuracy）

• 定义：分类正确的像素点数和所有的像素点数的比值
• 计算：

 

• 范围：0~100%
• 用途：这是最简单的度量分割准确性的方式

MPA（Mean Pixel Accuracy）

• 定义：计算每一类分类正确的像素点数和该类的所有像素点数的比例然后求平均
• 计算：

 

• 范围：0~100%

MIoU（Mean Intersection over Union）

• 定义：计算每一类的IoU然后求平均。一类的IoU计算方式如下：

例如i=1， P11表示本属于1类且被预测为1类的像素点数，X1表示本属于1类的像素点数， Y1表示被预测为1类的像素点数
则1类的 IoU = P11 / (X1 + Y1 - P11)

• 计算：

 

• 范围：0~100%
• 用途：这是分割任务的标准度量方法，同时考虑了“漏标”和“误标”的情况。MIoU指标由于其代表性和简洁性，成为了评价分割准确性的最常用的指标。

FWIoU（Frequency Weighted Intersection over Union）

• 定义：根据每一类出现的频率对各个类的IoU进行加权求和
• 计算：

 

• 范围：0~100%
• 用途：它是对MIoU的改进，每个类的重要性取决于它们出现的频率。