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, 我们在进行语义分割结果评价的时候,常常将预测出来的结果分为四个部分:true positive,false positive,true negative,false negative,其中negative 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。 , :, :] = 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
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. 交并比 IoU = TP / (TP+FP+FN) 5. 平均交并比 MIoU = (IoU1+…+IoUn) / n 6. 上述给出了两种指标的计算方式。
微信公众号:OpenCV学堂 关注获取更多计算机视觉与深度学习知识 图像语义分割 深度学习已经应用在计算机视觉领域多个方面,在最常见的图像分类、对象检测、图像语义分割、实例分割视觉任务都取得了良好的效果 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 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: ? ?
HTML5 添加了很多语义元素如下所示:
标签 描述
语义= 意义 语义元素 = 有意义的元素 什么是语义元素? 一个语义元素能够清楚的描述其意义给浏览器和开发者。 无语义 元素实例: