- 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。
11310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
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。
14310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。 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。 语义分割的应用： 医学图形处理，定位各种异常，如肿瘤或特定的器官。 行人检测，交通监控。 卫星图像，指纹识别等取证技术。（我主要也是做遥感影像的语义分割） 自动驾驶等等。 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 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
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。 语义引擎确定性编译，100% 保障逻辑准确。所有查询均基于预先声明、经过校验的指标和业务规则生成。查询性能复杂查询响应慢，并发支撑弱，直接冲击生产库。 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。
18410编辑于 2026-02-05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
47710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。
83630编辑于 2022-09-25 - 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 - 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 - 来自专栏全栈程序员必看
语义分割技术综述_语义分割模型
已经有较多的关于语义分割的综述调查，比如[12,13]等，这些工作在总结、分类现有方法、讨论数据集及评价指标以及为未来研究者提供设计思路等方面做了很好的工作。 首先，我们将描述最常用的评价指标，这些指标在以下三方面度量语义分割系统的表现：运行时间、占用内存、准确率。然后，我们将收集这些方法在最具代表性的数据集上运行的结果（以本文中所述的指标度量）。 5.1 评价指标 对于一个分割系统来说，要对该领域产生重要的影响，必须经过严格的评估。另外，评估过程中必须使用标准的众所周知的评价指标，这样对于现有方法来说才是公平的。 5.1.3 准确率 已经提出了许多用于评估语义分割问题准确率的评价指标，这些指标通常是像素级准确率及IoU的变体。我们报告了语义分割方面最常用的评价指标，用来度量逐个像素标注类的方法的表现。 对于上述的所有指标，MIoU是最常用的一个，因为它最具代表性，且非常简单。许多竞赛以及研究者使用该指标来报告其结果。
1.4K40编辑于 2022-09-25 存量数仓宽表治理：基于 NoETL 语义编织实现指标统一管理
针对这些问题，介绍了基于 NoETL 语义编织 技术的 Aloudata CAN 指标平台。 该平台通过在 DWD 层之上构建统一语义层，实现业务逻辑与物理存储解耦，并通过 “存量挂载、增量原生、存量替旧” 三步走策略，帮助企业无需重构现有宽表，即可实现指标统一管理、敏捷交付与成本优化。 跨表分析需重新建模：不同宽表之间缺乏统一的语义关联，无法实现“任意维度+任意指标”的动态组合查询，分析路径被物理模型牢牢锁死。明细数据丢失，归因分析靠猜：宽表只保留汇总结果，原始交易明细被丢弃。 新范式解法：基于 NoETL 语义编织的统一指标平台要根治上述顽疾，必须从架构层面进行范式重构。 声明式指标定义：指标被抽象为四大语义要素，通过可视化配置或表达式即可定义，系统自动生成无歧义 SQL：基础度量：简单聚合、时间/非时间维度多次聚合。
13910编辑于 2026-02-03基于 NoETL 语义编织的指标分级管控与口径统一方案实践
通过引入基于 NoETL 语义编织技术的 Aloudata CAN 指标平台，构建统一语义层，实现指标的分级定义、自动化生产与租户级权限隔离，从而达成企业级指标口径 100% 一致与安全合规的目标。 关键词：指标平台，NoETL，语义层，数据治理，多租户。在业务多元化与组织架构复杂的集团型企业中，数据治理正面临前所未有的挑战。 所有指标均在此以“基础度量+业务限定+统计周期+衍生计算”的语义要素进行声明式定义。3、上层：基于统一的语义层，向上提供：集团战略视图：确保核心指标口径一致。 核心能力一：基于统一语义层的指标“一次定义，处处一致”Aloudata CAN 的语义引擎允许用户在虚拟的业务事实网络上，以零代码、配置化的方式声明式定义指标。 延伸阅读：从指标治理到 AI-Ready 数据底座的演进统一的指标语义层不仅是治理的核心，其价值更在于为未来奠定了基础。Aloudata CAN 构建的语义层本质上是高质量、结构化的企业业务知识图谱。
10910编辑于 2026-02-10- 来自专栏机器学习、深度学习
语义分割
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation PAMI 2017 http://mi.eng.cam.ac.uk/projects/segnet/
80830发布于 2019-05-26 - 来自专栏全栈程序员必看
点云语义分割_语义分割研究内容
RSNet [CVPR 2018]：点云的语义分割。 所谓点云的分割，今天我想介绍的有两层，一层是语义分割和实例分割，所谓语义分割就是给每个点 assign 一个 label，比如说这个点是桌子还是椅子。 实例分割就是在 assign 语义分割的同时，把每个不同的物体给分割出来，比如一个房间里有很多椅子，每个点标 label 成椅子 1、椅子 2。 今天主要介绍在最新的 CVPR 上的两个工作，一个是对点云进行实例分割的网络：similarity group proposal network，还有一个是对点云进行语义分割的网络，recurrent
1.2K30编辑于 2022-09-23 - 来自专栏机器学习、深度学习
语义分割
Semantic Segmentation https://arxiv.org/abs/1707.03718 Torch7 code: https://github.com/e-lab/LinkNet 本文主要侧重语义分割的速度问题
53310发布于 2019-05-26 - 来自专栏全栈程序员必看
语义分割模型精度排名_场景语义分割
憨批的语义分割1——基于Mobile模型的segnet讲解 学习前言 什么是Segnet模型 segnet模型的代码实现 1、主干模型Mobilenet。 2、segnet的Decoder解码部分 代码测试 学习前言 最近开始设计新的领域啦，语义分割也是图像处理一个非常重要的应用方向，我查了很多资料苦于如何入门，接下来给大家讲讲里面比较基础的segnet模型 什么是Segnet模型 Segnet模型是一个比较基础的语义分割模型，其结构比较简单，在说其结构之前，我们先讲一下convolutional Encoder-Decoder的结构。 因为基于VGG模型的语义分割模型都太大了，我的电脑支撑不住，所以我用的主干网络都是mobile模型。 这么一想其实语义分割是不是也没有那么难？
83240编辑于 2022-09-25 - 来自专栏机器学习、深度学习
语义分割
Semantic Segmentation in Street Scenes CVPR2017 Theano/Lasagne code：https://github.com/TobyPDE/FRRN 针对语义分割问题
74130发布于 2019-05-26
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