【记录】评价指标：TP、FP、Recall、Precision、PA、CPA、MPA、IoU、MIoU详细总结

图像分割评估代码

参考博客：【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）

引言:

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）

---

目标检测：

Q： 什么是二分类？
A： 顾名思义，分类器（又叫：网络模型、学习器）对两个类别进行分类处理的问题，就叫二分类

对于二分类问题，将类别1称为正例（Positive），类别2称为反例（Negative），分类器预测正确记作真（True），预测错误记作（False），由这4个基本术语相互组合，构成评估目标检测的4个基础元素，为：

• 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）

（参考：西瓜书 p30）：

---

进一步提出了目标检测的三大评估标准：

• 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

---

语义分割：

此目标中：
进行分类的基础是：目标，例如将目标区分为狗、猫

语义分割中：
进行分类的基础是：图片中的像素点，然后将像素预测为是什么类别

进行上述区分，目的是让大家知道：不管进行分类的是动物，还是图片像素点，其混淆矩阵的获取、评价指标公式的计算都是一样的！

一般论文中，对语义分割模型的评估指标有：

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：平均交并比

• 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