图像实例分割评价指标
图像分割可分为：语义分割，实例分割，全景分割
1、语义分割（semantic segmentation）：标注方法通常是给每个像素加上标签；常用来识别天空、草地、道路等没有固定形状的不可数事物（stuff）。
2、实例分割（instance segmentation）：标注方法通常是用包围盒（bbox？）或分割掩码标记目标物体；常用来识别人、动物或工具等可数的、独立的明显物体（things）。
3、全景分割（Panoptic Segmentation）：结合前面两者，生成统一的、全局的分割图像，既识别事物，也识别物体。
图像分割评价指标：
1、IoU: 交并比，两个区域重叠的部分除以两个区域的集合部分， IOU算出的值score ＞ 0.5 就可以被认为一个不错的结果了
2、mIoU（mean IoU）：均交并比，识别或者分割图像一般都有好几个类别，把每个分类得出的分数进行平均一下就可以得到mean IoU，也就是mIoU。
3、Precision：精确率，混淆矩阵计算得出，P = TP/（TP+FP）
4、Recall：召回率，R = TP/（TP+FN）
5、Accuracy：准确率，accuracy = （TP+TN）/（TP+TN+FP+FN）
即PA（Pixel Accuracy，像素精度？标记正确的像素占总像素的比例）：表示检测物体的准确度，重点判断标准为是否检测到了物体
IoU只是用于评价一幅图的标准，如果我们要评价一套算法，并不能只从一张图片的标准中得出结论。一般对于一个数据集、或者一个模型来说。评价的标准通常来说遍历所有图像中各种类型、各种大小(size)还有标准中设定阈值.论文中得出的结论数据，就是从这些规则中得出的。
6、AP（Average Precision）：平均精度，每个类别的精确率求平均
7、AR（Average Recall）：平均召回率，每个类别的召回率求平均
8、MPA（mean pixel accuracy）：平均像素准确率，MPA是对PA的改进，它是先对每个类计算PA，然后再对所有类的PA求平均。
9、Pixel Precision：代表检测到所有的物体中覆盖的精确度，重点判断mask是否精确地覆盖到了该物体，而像素精度则是在已经检测到的基础上(不论检测是否失误)进行评测的标准：
10、RQ（recognition quality）识别质量
SQ（segmentation quality）分割质量
PQ（Panoptic Quality）全景质量：进一步评估分割和识别环节的表现
人类全景分割的表现（PQ,SQ,RQ）
IoU(p,g)是预测的分割p和GroundTruth g的交并比, TP是指IoU>0.5的分割结果，FP (False Positives)，和FN (False Negatives)如下图所示：
评价分割系统的标准：执行时间（硬件的大致描述），内存占用（极值和均值），精确度（如下）
- Pixel Accuracy(PA，像素精度)：这是最简单的度量，为标记正确的像素占总像素的比例。
- Mean Pixel Accuracy(MPA，均像素精度)：是PA的一种简单提升，计算每个类内被正确分类像素数的比例，之后求所有类的平均。
-
Mean Intersection over Union(MIoU，均交并比)：为语义分割的标准度量。其计算两个集合的交集和并集之比，在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。这个比例可以变形为正真数（intersection）比上真正、假负、假正（并集）之和。在每个类上计算IoU，之后平均。
-
Frequency Weighted Intersection over Union(FWIoU，频权交并比):为MIoU的一种提升，这种方法根据每个类出现的频率为其设置权重。
在以上所有的度量标准中，MIoU由于其简洁、代表性强而成为最常用的度量标准，大多数研究人员都使用该标准报告其结果。
参考文章：https://blog.csdn.net/qq_40234695/article/details/88633094
https://blog.csdn.net/qq_37274615/article/details/78957962
https://www.zhihu.com/question/265189982/answer/462858401