语义分割之MIOU

MIOU：mean intersection over union，翻译过来的话就是均交并比。
了解这个，首先要知道混淆矩阵，即FN,FP,TN,TP。

F表示预测错了，T表示预测对了，N表示正例，P表示负例。即FN表示预测错了，预测成了反例，也就是正例预测成了反例。

IOU=正例预测成正例/（正例预测成正例+正例预测成反例+反例预测成正例）=（target⋀prediction）/（target⋃prediction）

直观理解如下图所示，椭圆A代表真实值，椭圆B代表预测值。橙色部分为A与B的交集，即真正（预测为1，真实值为1）的部分，绿色部分表示假负（预测为0，真实为1）的部分，黄色表示假正（预测为1，真实为0）的部分，两个椭圆之外的白色区域表示真负（预测为0，真实值为0）的部分。表示绿色+橙色+黄色为A与B的并集。

MIoU计算的是计算A与B的交集（橙色部分）与A与B的并集（绿色+橙色+黄色）之间的比例，在理想状态下A与B重合，两者比例为1 。
也就是说好的效果是，预测的与真实值一致。意思是说，FP,FN都减少了，而TP增加了。
在处理语义分割时，往往采用以下公式：
为了便于解释，假设如下：共有k+1个类（从L0L0到LkLk，其中包含一个空类或背景），P_ij表示本属于类i但被预测为类j的像素数量。即，p_ii表示真正的数量，而p_ij p_ji则分别被解释为假正和假负。注意分母之所以有减去p_ii是因为在p_ji和p_ij 求和中多算了一遍p_ii

此外还有其他衡量语义分割的标准，如：
这里就对应了上图橙色比上黄色。容易导致什么误差呢？查准率高了，也就是说预测的结果当然都是正确的，FP为0，但其集合<=真实正例。