【深度理解】语义分割中常用的评价指标含义GA、OA、mAcc、IoU、mIoU

背景

假设在一次分类/分割任务中，共有60个样本，其中：

• 10个A类
• 20个B类
• 30个C类

每个样本的预测结果如下。 可见其对角线上的数字（8，15，24）均为正确预测，其它为错误预测。且每一列的总和为该类的总数目。



❓那么对于以上的结果，如何计算此次分类任务的GA、OA、mAcc、IoU、mIoU？

计算

GA、OA

Global Accuracy，Overall Accuracy表示全局的准确性，既不考虑类别，仅考虑所有样本的分类好坏。
计算方式： 所有正确分类的样本 / 样本总数。
$$OA=\frac{\left(8+15+24\right)}{60}=\text{0}\text{.783}$$

Class Accuracy

Class Accuracy，每一个类别的分类准确性。
计算方式： 正确预测为该类别的样本数 / 该类别的实际样本数
$$C{A}_{classA}=\frac{8}{10}=0.800$$
$$C{A}_{classB}=\frac{15}{20}=0.750$$
$$C{A}_{classC}=\frac{24}{30}=0.800$$

Mean Accuracy

即Mean (Class) Accuracy，mAcc，所有类别的平均准确率。
计算方式： 所有 Class Accuracy 取平均值
$$mAcc=\frac{C{A}_A+C{A}_B+C{A}_C}{3}=\frac{0.800+0.750+0.800}{3}=\text{0}\text{.783}$$

Intersection over Union (IoU)

某一类的预测结果和真实值的交集与其并集的比值
计算方式： （某类的真实样本 ∩ 预测为该类的样本） / （某类的真实样本 ∪ 预测为该类的样本）
$$Io{U}_{classA}=\frac{8}{10+(5+4)}=\text{0}\text{.421}$$

$$Io{U}_{classB}=\frac{15}{20+(1+2)}=\text{0}\text{.652}$$

$$Io{U}_{classC}=\frac{24}{30+(1+0)}=\text{0}\text{.774}$$

Mean IoU

mIoU，计算方式： 所有 Class 的 IoU取平均值
$$mIoU=\frac{Io{U}_A+Io{U}_B+Io{U}_C}{3}=\frac{0.421+0.652+0.774}{3}=\text{0}\text{.615}$$

对于IoU和mIoU的计算，也可以更形象地参考：深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、IoU、mIoU