- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
语义分割性能指标_语义分割评价指标
文章目录 语义分割的评价指标 IoU or IU（intersection over union） pixcal-accuracy （PA，像素精度） 参考资料 语义分割的评价指标 在整理评价指标之前， IoU or IU（intersection over union） IoU指标就是大家常说的交并比，在语义分割中作为标准度量一直被人使用。 交并比不仅仅在语义分割中使用，在目标检测等方向也是常用的指标之一。 batch_size, :, :, :] = labels outputs = net(images) outputs = outputs.permute(0, 2, 3, , :, :] = pred.cpu() acc = iou(preds, gts) return acc pixcal-accuracy （PA，像素精度） 基于像素的精度计算是评估指标中最为基本也最为简单的指标
1K40编辑于 2022-09-25 - 来自专栏全栈程序员必看
语义分割的评价指标_语义分割数据集
一些概念、代码参考： [1] 憨批的语义分割9——语义分割评价指标mIOU的计算 [2]【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！） [3] 【语义分割】评价指标总结及代码实现 混淆矩阵 语义分割的各种评价指标都是基于混淆矩阵来的。 对于一个只有背景0和目标1的语义分割任务来说，混淆矩阵可以简单理解为： TP（1被认为是1） FP（0被认为是1） FN（1被认为是0） TN（0被认为是0） 各种指标的计算 1. 上述给出了两种指标的计算方式。 3.
1.8K50编辑于 2022-09-25 - 来自专栏贾志刚-OpenCV学堂
深度学习图像语义分割常见评价指标详解
有时候评价指标也会依赖于模型的应用场景而有所不同，精准度对一些严苛的使用场景是优先考虑的，速度是对一些实时应用场景优先考虑的。对语义分割模型来说，通常用下面的一些方法来评价算法的效果。 No.2 内存占用 对所有的语义分割模型来说，内存是另外一个重要因素，尽管多数场景中内存是可以随时扩充的，但是在一些嵌入式设备上，内存也是很珍贵的，即时高端GPU卡，内存也不是无限制可以消费的，所以网络的对内存的消耗也是一个评估考量的指标 No.3 精度(Accuracy) 精度是评价图像分割网络最主要也是最流行的技术指标，这些精度估算方法各种不同，但是主要可以分为两类，一类是基于像素精度，另外一类是基于IOU。 平均并交比 03 MIoU-Mean Intersection over Union 这是语义分割网络的一个标准评价指标，它通过计算交并比来度量，这里交并比代指ground truth与预测分割结果之间 上述四种精度计算方法，MIoU是各种基准数据集最常用的标准之一，绝大数的图像语义分割论文中模型评估比较都以此作为主要技术指标。常见如下： ? ?
4.9K10发布于 2019-12-24 - 来自专栏python3
3没有语义的标签
3、没有语义的标签（div、span） HTML中大部分标签都是具有语句的（有固定格式），有语义的标签在使用时一定要注意不能乱用。还有一部分标签是没有语义的，没有语义的标签只用来进行页面布局。 注意： 1、一个属性名（键）对应一个属性值（值），一般我们把这种对应关系代码称之为键值对； 2、最后一个属性值可以不加分号，但是不建议这么写； 3、在对应标签内部是可以直接设置样式的，但是实际开发不会这么写
87310发布于 2020-01-07 - 来自专栏机器学习、深度学习
语义分割 DeepLabv3
Rethinking Atrous Convolution for Semantic Image Segmentation https://arxiv.org/abs/1706.05587v1
1.2K20发布于 2019-05-26 NoETL 语义编织 vs 传统 ETLELT，指标平台选型深度对比
Aloudata CAN 的本质是基于 NoETL 语义编织的动态计算引擎，其核心是通过将业务语义与物理存储解耦，从根本上颠覆了传统以物理宽表为核心的指标生产模式。 ，系统自动路由至最优物化结果释放1/3+服务器资源，TCO显著降低，实现亿级数据秒级响应权威背书与客户验证：某头部券商（平安证券）：引入后，指标开发效率提升 10 倍（取数周期从 2 周缩短至 1 天） 某头部股份制银行：沉淀 1 万+ 指标，查询性能 <3 秒占比达 95%，数据交付效率提升 10 倍。四、选型决策指南：你的企业更适合哪条路径？ Q3: Aloudata CAN 如何保证复杂业务指标计算的准确性，避免 AI 问数时的“幻觉”问题？平台通过 NL2MQL2SQL 架构根治幻觉。 价值可量化验证：领先企业的实践表明，新范式能带来指标口径 100% 一致、需求响应从数周缩短至分钟级、以及释放 1/3+ 服务器资源的直接业务价值。
12710编辑于 2026-02-10数据工程指南：指标平台选型避坑与 NoETL 语义编织技术解析
响应慢业务一个简单的“按新维度看数”需求，需要排期 2-3 周等待 ETL 开发，错失市场时机。分析路径被预建的物理宽表固化，任何变更都需要底层数据开发。 透明路由，性能保障：当用户发起查询时，语义引擎会自动进行 SQL 改写，并智能路由到最优的物化结果上，实现“空间换时间”。在百亿级数据规模下，可保障 P90 响应时间 <1 秒，P95 <3 秒。 实际客户数据显示，通过上述机制，可有效减少 70% 以上的指标开发维护成本，整体基础设施成本（TCO）节约可达 50%，并释放超过 1/3 的服务器资源。 静态元数据目录：仅记录指标出处，依赖底层已存在的物理宽表。动态语义计算引擎：在逻辑语义层定义指标，直接基于 DWD 明细数据动态计算，无需预建宽表。技术架构如何平衡灵活性与性能？ Q3: 如何量化指标平台带来的 ROI（投资回报率）？
16210编辑于 2026-02-02- 来自专栏计算机视觉理论及其实现
最新基于深度学习的语义分割技术讲解（含论文+指标+应用+经验）
在计算机视觉领域，有一个方向是语义分割，一般是针对图像进行像素级分类。具体而言，语义图像分割就是将每个像素都标注上其对应的类别。由于所有的像素都要考虑到，因此语义图像分割任务也被视为是稠密预测的一种。 4.Deeplab系列主要有模型Deeplabv1,Deeplabv2,Deeplabv3,Deeplabv3+。 9.CNN+RNN方案及其他一系列模型语义分割常见指标：FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 3.CRF（条件随机场）在基于深度学习的语义图像分割体系结构,CRF是一个有用的后处理模块,但是主要缺点是不能将其用作端到端体系结构的一部分。在标准CRF模型中，可以表示成对电位用加权高斯函数的和。 在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
5.3K41编辑于 2022-09-03 - 来自专栏C/C++基础
推荐 3 款 Golang 语义化版本库
文章目录 1.什么是语义化版本 2.0.0 2.Golang 语义化版本库比较 3.小结 参考文献 1.什么是语义化版本 2.0.0 语义化版本 2.0.0（Semantic Versioning 2.0.0 此外，语义化版本 2.0.0 还允许在版本号后添加预发布标识符和构建元数据，用于指示版本的开发状态和构建信息。 2.Golang 语义化版本库比较 在 Golang 中，有一些成熟和流行的可以用来比较和验证语义化版本号的库。 3.小结 使用语义化版本的好处在于可以方便地对软件版本进行管理和控制，确保各个版本之间的兼容性和稳定性，从而提高软件的质量和可靠性。 此外，使用流行的语义化版本库可以简化版本号的处理和比较，避免重复造轮子，提高开发效率和可维护性。 ----
77620编辑于 2023-02-23 指标中台选型技术实测：如何通过 NoETL 语义层驾驭复杂 SQL 生成
高质量语义知识图谱：平台中沉淀的指标口径、血缘、业务描述等信息，构成了高度结构化的业务知识图谱。 AI Agent 无需学习复杂的 SQL 语法，只需调用“查询指标”函数并传入参数（如指标名、筛选维度），即可通过语义层获得可靠结果。 显性优化，减少宽表开发，释放 1/3+ 服务器资源，提升人效。选型建议可作为补充性元数据管理工具，非核心生产系统。谨慎评估，严格规避核心业务场景的幻觉风险。 Q3: 引入 Aloudata CAN，是否需要推翻我们现有的数据仓库和 BI 工具？完全不需要。 架构需面向未来“AI 原生”：一个现代的指标平台应是 AI-Ready 的数据底座，提供结构化的语义知识图谱和标准化的服务接口。Aloudata CAN 的语义编织层天然扮演了这一角色。
22110编辑于 2026-02-05- 来自专栏wujunmin
Power BI异常指标闪烁提示（3）
《Power BI 异常指标闪烁提示》介绍了使用CSS动画驱动任意SVG图标闪烁，对异常指标进行突出提示，《Power BI异常指标闪烁提示（2）》介绍了SMIL动画的版本，以上两文均是驱动矢量图形进行闪烁 下图将base64产品照片放在条件格式图标，对毛利贡献为负数的产品施加了闪烁效果： 如果用CSS施加动画，动画代码和《Power BI 异常指标闪烁提示》保持一致，只是施加对象由path变为image animation: wujunmin 1s infinite; } </style> 在SVG的image标签引用base64图片，然后按条件显示动画： "<svg>" & if ( [指标
38430编辑于 2023-09-05 以 NoETL 指标语义层为核心：打造可信、智能的 Data Agent 产品实践
这种架构存在明显缺陷：随着业务发展，表关系日益复杂，数据冗余现象严重，同一指标语义可能对应完全不同的计算逻辑，导致指标口径难以统一，管理成本急剧上升。 在这一架构中：数据仓库仅需维护规范的维表和明细事实表；中间层通过语义模型虚拟构建维表与事实表之间的关联关系；上层基于语义模型构建指标（基础指标、派生指标和复合指标）和维度。 基于这样的语义模型，我们构建了一个虚拟大宽表，从中可以灵活定义指标与维度，实现跨表计算能力——这正是指标语义层的核心价值所在。 指标语义层为 Aloudata Agent 的应用提供了坚实的数据语义基础。无需预先定义派生和衍生指标，基于基础指标和维度即可问数。 ：从指标语义层检索最匹配的销售金额指标语法生成：将关键信息转化为 MQL（指标查询语言）权限校验：在语义引擎层检查用户对相关数据的访问权限查询执行：通过语义引擎将 MQL 转换为准确 SQL，查询数据结果返回
53410编辑于 2025-10-30- 来自专栏数据分析1480
3个最常用的分类模型评估指标！
的数据；标记为3的凹型方块表示 ? ，但 ? 的数据；标记为2的方块表示 ? ，且 ? 的数据。而且这些图形的面积与对应数据的数据量成正比，比如， ? ，且 ? 的数据个数越多，标记2的面积越大。 很容易发现，图中标记为2的部分表示模型预测结果正确，而标记为1和3的部分则表示模型预测结果错误。 对于一份预测结果，一方面希望它能做到“精确”：当时 ? ，有很大概率，真实值 ? 就等于1。 整个过程的直观图像如图3所示。 ? 图3 03 F-score 既然这两个指标往往是成反比的，而且在很大程度上，受预测标准的控制。那么只拿其中的某一个指标去评估预测结果是不太合适的。 而两个指标同时使用，在实际应用时又不太方便。为了破解这个困局，在实践中，我们定义了新的指标去“综合”这两个指标。具体的定义如公式（3），从数学上来看，它其实是查准率与查全率的调和平均数。 例如在实时竞价（RTB）广告行业，有3种参与者：需要在互联网上对产品做广告的商家，比如Nike；广告投放中介（DSP）；广告位提供者，比如新浪网。
3.1K10发布于 2019-05-22 - 来自专栏大数据智能实战
tensorflow 语义分割系列DeepLabV3V4实践
语义分割是图像高级别像素理解的主要任务之一，也是无人驾驶的重要技术基础。前面已经对该方面进行过复现实验，见：空洞卷积与DeeplabV2实现图像语义分割的测试（tensorflow)。 近段时间，google又推出了deeplab v3及其升级版本(deeplab v3 plus)，并且集成到其model库中，因此，对该库进行集成测试一下。 DeepLabv3 [3]: We augment the ASPP module with image-level feature [5, 6] to capture longer range information ，为了融合多尺度信息，引入语义分割常用的encoder-decoder。 在语义分割任务中采用Xception 模型，在ASPP和解码模块使用depthwise separable convolution，提高编码器-解码器网络的运行速率和健壮性。 ?
2K30发布于 2019-05-26 - 来自专栏全栈程序员必看
语义分割步骤_实时语义分割
np.sum(np.where(src==0)) n_class1 = np.sum(np.where(src==1)) n_class2 = np.sum(np.where(src==2)) n_class3 = np.sum(np.where(src==3)) n_class4 = np.sum(np.where(src==4)) sum = src.shape[0]*src.shape[1] print def pred_aug(img, model): img90 = torch.rot90(img, 1, dims=(2,3)) img_hori = torch.flip(img, model(img_hori) pred_vert = model(img_vert) # 将影像预测结果逆操作回原图 pred90 = torch.rot90(pred90, 3, dims=(2,3)) pred_hori = torch.flip(pred_hori, [2]) pred_vert = torch.flip(pred_vert, [3])
84330编辑于 2022-09-25 3FS为什么没有完全遵守POSIX语义
提问：采用FoundationDB后 3FS牺牲了什么 有网友提问 为啥 DeepSeek-3FS元数据无状态，CephFS 的 元数据 要搞得这么复杂 看了你文章： 了解到3FS 系统有四个组件： 副本存储，采用的链式复制协议 CRAQ（Chain Replication with Apportioned Queries）提供 write-all-read-any 语义，对读更友好； • 系统将数据进行分块 3FS团队可以专注于在其上构建高效的文件系统语义层（如元数据模型、客户端协议），而无需操心底层分布式存储的复杂问题 采用FoundationDB后 3FS存在什么缺点 3FS明确其设计目标是面向AI大文件 牺牲部分POSIX语义以换取性能 根据之前的讨论，3FS为了保证性能，不提供完整的POSIX强一致性。 • 原因：CephFS为平衡性能与一致性，采用“close-to-open”语义。文件打开写入期间，元数据更新可能缓存在客户端；只有在同步或关闭时，才会提交到元数据服务器并使所有客户端可见。
16010编辑于 2025-12-24- 来自专栏Elastic Stack专栏
RAG评估指标：指标之旅
我们将深入探讨该领域常用的一些指标，并解释 Elastic 为有效监控模型性能所做的决策。N-gram 指标在这一系列指标中，主要思路是检查生成文本与“真实答案”的相似程度。 尽管 METEOR 尝试通过同义词和词干来解决这个问题，这些评估工具缺乏语义知识，无法识别语义变化。这在有效评估长文本时尤为明显，将文本视为简单的段落集合过于简化。 由于这些缺点，NLP 社区探索了更高级的外在指标来解决这些问题。基于模型的指标内在指标和 N-gram 指标的一个显著缺陷在于它们没有利用语义理解来评估生成内容的准确性。 BERTScoreBERTScore：为了从语义角度理解句子的真正含义，BERTScore 使用著名的基于 Transformer 的模型 BERT。 图3 - BARTScore 论文中不同指标在 WMT19 数据集上的 Kendall’s Tau 相关性BERTScore 和 BLEURT 本质上可以看作是使用上下文表示的 n-gram 召回，而
1.2K22编辑于 2024-12-11 - 来自专栏全栈程序员必看
语义分割的定义_语义分割模型
3.Unet及各种变体 U-net 对称语义分割模型，该网络模型主要由一个收缩路径和一个对称扩张路径组成，收缩路径用来获得上下文信息，对称扩张路径用来精确定位分割边界。 DeepLabv3 语义分割模型，在 ASPP 中加入了全局平均池化，同时在平行扩张卷积后添加批量归一化，有效地捕获了全局语境信息。 DeepLabv3+语义分割模型在 DeepLabv3 的基础上增加了编-解码模块和 Xception 主干网络，增加编解码模块主要是为了恢复原始的像素信息，使得分割的细节信息能够更好的保留，同时编码丰富的上下文信息 在inception结构中，先对输入进行1*1的卷积，之后将通道分组，分别使用不同的3*3卷积提取特征，最后将各组结果串联在一起作为输出。 （2）弱监督或无监督语义分割技术。针对需要大量的标注数据集才能提高网络模型的精度这个问题，弱监督或无监督的语义分割技术将会是未来发展的趋势。 （3）三维场景的语义分割技术。
1.5K40编辑于 2022-09-25 - 来自专栏Opensource翻译专栏
DevOps团队的3种指标仪表盘［DevOps］
指标仪表盘使DevOps团队可以监视整个DevOps平台，以便他们可以实时响应问题，这对于停机或生产环境或应用程序服务中断至关重要。 DevOps仪表板汇总来自多个观察工具的指标，以为开发和运营团队创建监视报告。他们还允许团队跟踪多个指标，例如服务部署时间，错误，错误，工作项，积压等。 Prometheus仪表板从平台中的节点或直接在运行容器化的应用程序中刮取指标。它们使DevOps团队可以构建基于指标的监视系统和仪表盘，以观察微服务的客户端/服务器工作负载，以识别异常节点故障。 Grafana板允许DevOps组织利用事件驱动的指标并可视化多个面板，包括服务响应持续时间，请求量，客户端/服务器工作量，网络流量等。 DevOps团队可以通过多种方式轻松共享指标面板，还可以拍摄对当前监视数据进行编码的快照并与其他团队共享。
1.4K51发布于 2020-01-15 - 来自专栏公众号PowerBI大师
好指标与坏指标
下层基础决定上层建筑，写出一个好的度量值的前提是有好的指标设计。什么样的指标才是好指标呢？ 这是一个很重要的问题，你设计的指标是评价一段时间的发生值，还是某一时点值? ? 前天出版社的编辑老师告诉我新书的第一批库存快卖光了，要开始加印。让我在关注销售册数的同时又加入了一个库存量指标。 显然销售册数是时间段指标，库存量是时间点指标。 ? 对于时间段指标通过日期表可以得到年、季度、月、周的对应值，并且利用时间智能函数可以轻松求得环比、同比等等，这并不难。 基本的思路就是把指标拆解成流入和流出，再分别求累计至今的发生值。 ? 以上是目标管理的SMART原则，也可以作为判断指标好坏的参考。简而言之，能够解决问题的就是好指标。
1.8K30发布于 2019-08-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号