图像分割常用评价指标（mIoU,F1-score）_2022.05.15

        语义分割任务中的结果，可分为True Positive（TP）、False Positive（FP）、True Negative（TN）、False Negative（FN）。其中Negative指的是非物体标签的部分(一般是为除目标之外的背景信息)，Positive一般指是含标签的部分信息。

TP:输入图像中含有label信息的部分被正确识别为相对应的label信息

FP:输入图像中含有背景信息的部分被错误识别为label信息

TN:输入图像中含有背景信息的部分被正确识别为相对应的背景信息

FN:输入图像中含有label信息的部分被错误识别为背景信息

       下述公式中参数的定义含义如下：k+1代表数据集定义的类别总数(包括背景类"background"，通常是“0”，所以下面公式中的i和j均以“0”开头)；pij表示标识为类j的像素数目总数，也就是pii表示正确识别的真正例总数(True Positive，TP)，而 pij和 pji 则分别表示错误识别的假正例FP总数（False Positive, FP）和假反例FN总数（False Negative, FN）。

        基于PASCAL-Part数据集的模型评价指标通常是由mIoU值来判断的。mIoU值计算公式如下图：

       mIoU值的公式可视化如下图所示

 

       目前，基于ATR数据集的模型评价指标通常是由F1-score分数来判断的。F1-score分数是查准率P（Precision）和查全率R（Recall）的调和平均数。F1-score值计算公式如下图：

       其中F1-score的核心思想就是尽可能地提高Precision和Recall，使两者之间的差异尽可能小。

 

补充：

查准率P（Precision）也可叫准确率

例子：针对模型预测的Predicted值为1的情况下，预测正确的label为1的比率：

查准率R（Precision）也可叫召回率

例子：针对数据集中的label为1的情况下，预测正确的label为1的比率：