- 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， 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
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
前言 现存其实已经有很多博客实现了这个代码，但是可能不完整或者不能直接用于测试集的指标计算，这里简单概括一下。 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。
1.8K50编辑于 2022-09-25 - 来自专栏应兆康的专栏
9. 优化指标和满足指标
9 优化指标和满足指标 这里有组合多个评价指标的另一个方法。 假设你同时关系算法的精度和运行时间。 在这里运行时间就是一个“满足指标(satisficing metric)”，你的分类器只要在这个指标上表现的足够好即可，这意味着你的算法最多耗时100ms，而准确率是一个“优化指标(optimizing 你可以考虑将其中N-1个标准设置为“满足指标”，然后将最后一个指标定义为“优化指标”。如，你将模型文件的大小，和运行时间设置为一个可接受的阈值，然后在这些约束下不断优化你的算法准确度。 该系统性能的一个合理目标是最大限度的减少误报率（优化指标），同时满足每24个小时操作不会出现一个假正例（满足指标）。 一旦你的团队按照评估指标进行优化，那你们肯定可以更快的取得进展。
1K10发布于 2018-05-30 - 来自专栏应兆康的专栏
9. 优化指标和满足指标
9 优化指标和满足指标 这里有组合多个评价指标的另一个方法。 假设你同时关系算法的精度和运行时间。 在这里运行时间就是一个“满足指标(satisficing metric)”，你的分类器只要在这个指标上表现的足够好即可，这意味着你的算法最多耗时100ms，而准确率是一个“优化指标(optimizing 你可以考虑将其中N-1个标准设置为“满足指标”，然后将最后一个指标定义为“优化指标”。如，你将模型文件的大小，和运行时间设置为一个可接受的阈值，然后在这些约束下不断优化你的算法准确度。 该系统性能的一个合理目标是最大限度的减少误报率（优化指标），同时满足每24个小时操作不会出现一个假正例（满足指标）。 一旦你的团队按照评估指标进行优化，那你们肯定可以更快的取得进展。
1K120发布于 2018-05-09 - 来自专栏悠扬前奏的博客
Kafka-9.设计-消息分发语义
4.6 消息分发语义 在了解了生产者和消费者的工作方式之后，我们来讨论Kafka在生产者和消费者之间提供的语义保证。 许多系统声称可以提供恰好一次的交付语义，但是阅读细则很重要，这些声明中的大多数具有误导性（即它们不能翻译为消费者或生产者可能失败的情况，有多个消费者进程，或者数据写入磁盘可能失败的情况）。 Kafka的语义很直接。在发布消息时，我们有一个消息被“提交”到日志的概念。一旦提交已经发布的消息，只要把消息复制到分区的broker保持“活动”，它就不会丢失。 这类似于使用自动生成的密钥插入数据库表的语义。 在0.11.0.0之前，如果生产者未能收到表明消息已经提交的响应，则除了重新发送请求之外别误选择。 这提供了至少一次传递语义，因为如果原始请求实际上请求成功了，则在重新发送期间可以再次将消息写入日志。从0.11.0.0开始，Kafka还支持幂等传递选项，该选项保证重新发送不会在日志中导致重复条目。
62430发布于 2019-06-15 - 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
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： ? ?
4.9K10发布于 2019-12-24 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。 范式要素传统模式 (物理宽表驱动)Aloudata CAN (语义模型驱动)核心对象物理表（DWS/ADS 宽表）语义模型（虚拟业务事实网络）指标定义硬编码在 ETL 脚本中声明式配置（基础度量、业务限定 定义即开发：业务人员或数据工程师通过界面，像搭积木一样配置指标的四大语义要素（如“近 30 天”、“成功支付的”、“日均交易金额”），平台自动生成最优执行 SQL，实现零代码开发。 Aloudata CAN 是在这些强大引擎之上，构建统一、敏捷的“业务语义层”和“智能物化加速器”，让好引擎能持续、高效地产出可信、好用的数据，根治指标不一致问题。 当 AI 或用户用自然语言提问时，大模型只负责意图理解并生成标准的指标查询语言（MQL），然后由平台的语义引擎将 MQL 翻译为 100% 准确的优化 SQL。
12710编辑于 2026-02-10- 来自专栏DevOps持续集成
详解衡量DevOps成功的 9 个关键指标
使用 DevOps 指标和 DevOps KPI 对于确保您的 DevOps 流程、管道和工具满足其预期目标至关重要。与任何 IT 或业务项目一样，您需要跟踪关键的指标。 四大 DevOps 指标：DORA 的四个关键 让我们从 Google 的 DevOps 研究与评估 (DORA) 团队建立的四个最常见的指标开始，称为“四个关键”。 高可用性系统旨在满足五个 9 (99.999%) 的黄金标准 KPI。要准确衡量应用程序的可用性，首先要确保您可以准确衡量真正的最终用户体验，而不仅仅是网络统计数据。 9. 应用使用和流量 应用程序使用情况和流量监控访问您系统的用户数量并通知许多其他指标，包括系统正常运行时间。 拥有诸如这些应用程序使用情况和流量指标之类的 DevOps KPI 可以让您查看是否有问题，以及何时出现异常的流量峰值或其他异常使用或流量指标。
1.7K11编辑于 2022-04-06 数据工程指南：指标平台选型避坑与 NoETL 语义编织技术解析
核心短板业务表现技术根因隐性成本口径乱业务与 IT、部门与部门间对同一指标（如“活跃用户”、“毛利率”）定义不一致，会议沦为“数据辩论会”。指标定义与物理宽表强耦合，缺乏企业级唯一语义定义层。 短板一：根治“口径乱”——从静态目录到动态语义引擎传统指标平台或 BI 内置的指标模块，本质是静态的元数据目录（Catalog）。 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？ 核心要点架构范式革新：根治指标顽疾的关键，是从“物理建模”转向“语义建模”。 Aloudata CAN 的 NoETL 语义编织技术，通过构建与存储解耦的统一语义层，实现了指标的逻辑定义与物理执行的分离。
16210编辑于 2026-02-02- 来自专栏算法channel
机器学习分类问题：9个常用的评估指标总结
你好，我是zhenguo 对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的metrics 分类问题评估指标 在这里，将讨论可用于评估分类问题预测的各种性能指标 1 Confusion Matrix 8 AUC (Area Under ROC curve) AUC（曲线下面积）-ROC（接收器工作特性）是基于不同阈值的分类问题性能指标。顾名思义，ROC是一条概率曲线，AUC衡量可分离性。 9 LOGLOSS (Logarithmic Loss) 它也称为逻辑回归损失或交叉熵损失。它基本上定义在概率估计上，并测量分类模型的性能，其中输入是介于0和1之间的概率值。 10 例子 下面是Python中的一个简单方法，它将让我们了解如何在二进制分类模型上使用上述性能指标。 machine_learning_algorithms_performance_metrics.htm https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
1.9K10编辑于 2022-09-06 - 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。 基于深度学习的语义分割方法：用卷积神经网络分类（全卷积网络），与普通网络不同的是，分类层是卷积层，普通网络为全连接层。最近的语义分割架构一般都用卷积神经网络（CNN）为每个像素分配一个初始类别标签。 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。 9.更高明的数据预处理最常见的就是标准化与归一化数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。 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code秘密花园
提升 Web 核心性能指标的 9 个建议
Chrome 团队花费了一年的时间确定了每个核心 Web 指标的三项最佳建议，这些建议对于大多数网站都是相关的，并且对于大多数开发人员来说也是实际可行的。 这是一个优化 LCP 指标的最佳示例，我们还可以通过其他多种方式降低非关键资源的优先级。 例如使用fetchprority=low 或者对它们进行懒加载，以便按需获取，这样就可以让浏览器集中处理更重要的资源，比如影响 LCP 指标的元素。 CLS 是网页视觉稳定性的度量指标，意味着当有新的内容加载时，页面的内容是否经常跳动。 这些就是我们认为大家首先应考虑的九个改善网站核心性能指标的优化建议。这并不是一个明确的列表，而是我们的研究表明可以真正提高大家网站性能的几个更有影响力的选项。
1.5K20编辑于 2023-08-23 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
例如，某头部连锁餐饮企业曾为支撑分析，维护了数百个构建时间长达 7-9 小时的 Kylin Cube，灵活性极差。幻觉风险高企：直接依赖大模型“猜测”SQL 的路径，在复杂查询中错误率惊人。 本质区别在于：Aloudata CAN 通过语义层，将“如何写 SQL”的开放性问题，收敛为“选择哪个已定义的指标、应用哪些筛选条件”的选择题。 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。 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- 来自专栏用户7358413的专栏
9个链上指标判断BTC处于牛熊周期什么阶段
本期金色硬核来自Glassnode和Bitcoinmagzine，提供9个链上指标来判断市场处于牛/熊市的什么阶段。 比特币是指数字货币技术数级增长的自由市场。 在本文中，我们将探索一些精选的链上指标，这些指标可洞悉屯币者、投机者和矿工的情绪和宏观支出模式。目的是为读者提供所需的工具，以了解与当前牛市有关的阶段和数据模式。 比特币：最后活跃的比特币供应量 数据来源：Glassnode 利用这一观察结果，我们可以构建已实际HODL比指标（Realized HODL ratio metric，RHODL），该指标采用1y–2y 因此，观察矿工的收入和屯币数量通常有助于建立衡量其情绪和信念的指标。 在牛市时，有一系列指标和有用的指标，但一些很重要的模式需要注意： 屯币者（老比特币）分散财富 新投机者（年轻的比特币币）增加头寸 矿工盈利能力达到顶峰 每一个市场周期都是独特的，但是人类对利润，损失和激励措施的反应是可以预料的
1.1K00发布于 2021-04-27 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- 来自专栏全栈程序员必看
语义分割步骤_实时语义分割
深度学习发展到现在，各路大神都发展出了各种模型。在深度学习实现过程中最重要的最花时间的应该是数据预处理与后处理，会极大影响最后效果，至于模型，感觉像是拼乐高积木，一个模块一个模块地叠加，拼成最适合自己的模型。
84330编辑于 2022-09-25 - 来自专栏商业智能方案
最新业务数据指标体系集合！覆盖9个行业、多个业务场景
、物流等9大行业，以及财务、人力资源、广告、渠道等4个主题业务场景。 2.电商行业 （1）总体运营指标：从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有个大致了解，到底运营的怎么样，是亏是赚 （2）网站流量指标：即对访问你网站的访客进行分析，基于这些数据可以对网页进行改进 （5）商品类指标：主要分析商品的种类，哪些商品卖得好，库存情况，以及可以建立关联模型，分析哪些商品同时销售的几率比较高，而进行捆绑销售 （6）市场营销活动指标：主要监控某次活动给电商网站带来的效果，以及监控广告的投放指标 2.银行业 制造物流类 1.制造业 可以根据制造业生产销售的全流程去进行指标划分，生产、采购、库存、销售、财务等。传统制造业在生产环节涉及到的指标尤其多，需要根据企业情况具体拆解、划定指标。 2.物流业 财务分析场景 1.财务分析指标体系 2.财务管理指标体系 人力资源指标体系 渠道指标体系 广告指标体系
2.5K32发布于 2020-07-31 - 来自专栏全栈测试
面试必知的9个性能测试指标，你完全了解吗？
今天给大家分享一波面试中经常被问到性能指标，希望能帮助大家，建议收藏～ 1 吞吐量 单位时间内，系统能够处理多少请求，吞吐量代表网络的流量，TPS越高，吞吐量越大，还包含了数据的吞吐量。 该指标统计的是大多数请求的耗时，用JMeter进行测试通常看到下面几个数据： Top90（90%响应时间）：90%的请求耗时都低于某个响应时间； Top95（95%响应时间）：95%的请求耗时都低于某个响应时间 9 PV/UV PV（Page View）页面/接口的访问量； UV(Unique Visitor)页面/接口的每日唯一访客。
2.5K11编辑于 2023-01-18 - 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。 由于这些原因，研究人员尝试寻找改进的指标。内在指标困惑度（PPL）困惑度（通常缩写为 PPL）是评估语言模型（LLMs）的最常见指标之一。计算困惑度需要访问模型生成的每个词的概率分布。 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。
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
引言 语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像 图像语义分割方法有传统方法和基于卷积神经网络的方法，其中传统的语义分割方法又可以分为基于统计的方法和基于几何的方法。 随着深度学习的发展，语义分割技术得到很大的进步，基于卷积神经网络的语义分割方法与传统的语义分割方法最大不同是，网络可以自动学习图像的特征，进行端到端的分类学习，大大提升语义分割的精确度。 ► 基于全卷积的残差网络语义分割模型 深度卷积神经网络的每一层特征对语义分割都有影响，如何将高层特征的语义信息与底层识别的边界与轮廓信息结合起来是一个具有挑战性的问题。 总结 本文主要对于图像语义分割技术的研究发展历程进行了详细评述，对于传统的语义分割方法到当前主流的基于深度学习的图像语义分割理论及其方法做出了综合性的评估，对基于深度学习语义分割技术需要用到的网络模型、
1.5K40编辑于 2022-09-25
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