语义分割的评价指标

最新推荐文章于 2025-05-15 15:50:14 发布
最新推荐文章于 2025-05-15 15:50:14 发布
阅读量2.2w 收藏 190
点赞数 25
CC 4.0 BY-SA版权
分类专栏： 计算机视觉 文章标签： 语义分割 评价指标
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hello_dear_you/article/details/120786851
本文详细解析了语义分割中的 Dice系数和IoU（Intersection over Union）在评价模型效果上的区别与联系，涵盖了混淆矩阵、精度、召回等基本概念，并通过实例计算展示了PA、CPA、MPA和mIoU的计算方法。适合理解语义分割任务的性能评估指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

        语义分割任务常用的评价指标为Dice coefficient和mIoU。dice和Iou都是用来衡量两个集合之间相似性的度量，对于语义分割任务而言即用来评估网络预测的分割结果与人为标注结果之间的相似度。接下来将分别介绍两者之间的区别和联系。

0. 二分类的评价指标

        在介绍语义分割评价指标之前，先回顾一下分类算法的评价指标，混淆矩阵，accuracy，precision和recall，以及F1-score这5个指标。

混淆矩阵（confusion matrix)

 如上图所示，包含一个二分类的混淆矩阵和一个例子。对于一个二分类任务，可能出现如下四种情况：

  1. TP：表示一个样本被预测为正类，并且真实标签为正类
  2. FN：表示一个样本被预测为反例，但是真实标签为正例
  3. FP：表示一个样本被预测为正例，但是真实标签为反例
  4. TN：表示一个样本为预测为反例，并且真实标签为反例

上述四个标识的理解可以通过从右到左读取，即第一个表示为预测结果，第二个字母表示是否预测正确。举例：FP-第一个字母为P，即表示预测结果为positive（正例），第二个字母为F，即表示预测错误，那么表示原本真实标签应该是反例。

Accuracy(准确率）

表示预测正确的样本数量占全部样本的百分比，具体表示如下：

 缺点：当数据类别分布不平衡时，不能评价模型的好坏。

Precision（查准率）

表示模型预测为正例的所有样本中，预测正确（真实标签为正）样本的占比：

Recall （查全率）

表示所有真实标签为正的样本，有多大百分比被预测出来

F1-score 

表示precision和recall的调和平均数，具体公式如下：

1. 语义分割的评价指标

dice系数概念理解

dice系数是一种集合相似度度量函数，通常用于计算两个集合之间的相似度，取值范围在【0，1】之间，函数表达式如下：（分子乘以2是为了保证分母重复计算后取值范围在【0，1】之间）

 

IoU

定义：两个集合之间交集与并集之间的比值，函数表达式如下：

2. 语义分割和分类之间的联系与区别

  • 联系：语义分割任务本质上是分类任务
  • 区别：常规分类任务的对象是图像中的物体，而语义分割的对象是图像中像素点。

通过上面可知，语义分割本质是分类，因此评价分割算法的好坏，其混淆矩阵的获取是最关键的。

 如下图所示，假设在一种图像中，有一块72个像素点的区域标记为猫，一个70个像素点的区域标记为狗，然后通过网络推理得到结果，构建了如下的混淆矩阵。基于这个混淆矩阵分析，对评价指标像素准确率（Pixel Accuracy, PA)，类别像素准确率（class Pixel Accuracy, CPA），类别平均像素准确率（MPA）和平均交并比（mIoU)分别进行分析。

 PA: 像素准确率

含义：预测正确的像素值占总像素值的百分比（对应于分类中的准确率）

计算公式：

 CPA: 类别像素准确率

含义：在所有预测为类别i的像素点中，真实属于类别i的像素点所占的百分比（对应于分类的precision指标）

计算公式：

MPA：类别平均像素准确率

 含义：所有类别像素准确率之和的平均。

计算方法：首先求得每个类别的像素准确率，然后对它们求和再平均。

IoU： 交并比

含义：某个类别预测结果与真实标签之间交集与并集之间的比值

 计算公式（如上图所示）：

MIoU：平均交并比

 含义：每个类别预测结果与真实标签之间交集与并集的比值，求和再平均。

 Dice系数

根据上述dice系数的定义，换算到混淆矩阵可以得到如下公式：

 参考链接

医学影像分割---Dice Loss - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/86704421语义分割之dice loss深度分析（梯度可视化） - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/269592183Dice系数(Dice coefficient)与mIoU与Dice Loss_lipengfei0427的博客-CSDN博客_dice系数https://blog.csdn.net/lipengfei0427/article/details/109556985【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！）_西北种田文的博客-CSDN博客https://blog.csdn.net/sinat_29047129/article/details/103642140

语义分割评价指标
u012901740的博客
07-08 2599
语义分割是计算机视觉中的一个重要任务，其目标是将图像中的每个像素分类到一个特定的类别中。
语义分割常用评价指标
Metaphysicist的博客
01-23 4767
语义分割是计算视觉任务中一个重要而常见的问题。在实际应用中,评估模型预测效果以及各指标意义很重要。本文主要评价指标的概念和计算代码进行了详细描述,以帮助读者了解不同指标的数学含义和应用。文章首先阐述了语义分割任务的重要性。然后系统地介绍了7类常用评价指标,分别是Jaccard系数、F1分数、召回率、精确率、准确率、Dice系数和特异度、敏感度,给出了每个指标的定义和计算公式。
语义分割的评价指标——PA(像素准确率)、CPA(类别像素准确率)、MPA(类别平均像素准确率)、IoU(交并比)、MIoU(平均交并比)详细总结
weixin_38353277的博客
10-29 4万+
语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。 1 混淆矩阵 混淆矩阵就是统计分类模型的分类结果，即
【语义分割专栏】先导篇：评价指标(PA,CPA,IoU,mIoU,FWIoU,F1)
最新发布
走进深度学习，不仅仅只是原理，更包括详细代码解读。
05-15 1314
本文介绍了语义分割任务中常用的评价指标，从混淆矩阵出发，如果去计算PA、CPA、IoU、mIoU、FWIoU、F1等语义分割任务中常用的指标。
【深度学习】语义分割相关评价指标
phd的专栏
12-22 1683
IoU (Intersection over Union) 从字面意义上来说就是交并比，顾名思义就是两个集合的交集与两个集合的并集之比，可表示图如下： IoU=A∩BA∪BIoU = \frac{A \cap B}{A \cup B}IoU=A∪BA∩B​ 在语义分割任务中，通常使用预测(predict label)与真值(ground truth)之间的交并比作为评价标准，例如在PASCAL、...
语义分割常见指标汇总（DL）
weixin_56671360的博客
08-01 1279
在深度学习语义分割中，评估模型性能的指标有多种，每种指标衡量模型在不同方面的表现。
语义分割的常用指标详解
qq_44289607的博客
03-23 1万+
1 混淆矩阵 假设有6个类别，L为10个真实标签的取值，P为对应的预测的标签值，先计算对应的n(类别数，这里假设为6）xL+P: bin的值一定是分类数的平方。混淆矩阵先将真实标签和预测标签抻成一维向量，做一个对应关系（nxL+P)，再将这个对应的一维向量抻成二维矩阵，如下图，很奇妙地将真实值与预测值之间的像素点对应起来了。 如上图示例，混淆矩阵要表达的含义： 混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目； 每一行代表了数据的真实归属类别，每一行的数据总数表示.
语义分割评价指标代码实现-Python
05-21
应用python代码语义分割评价指标总结及代码实现包含'准确率'、'精确率'、'召回率'、'F1值'、'Iou值'
分割2——语义分割评价指标
对方正在输入中...
06-06 2797
语义分割 （Semantic Segmentation)：从像素水平（pixel-level）上，理解、识别图片的内容。根据语义信息对图像中的像素进行分割。 评价指标 像素准确率（Pixel Accuracy PA） or (global acc)类别像素准确率（Class Pixel Accuracy CPA）类别平均像素准确率（Mean Accuracy or Mean Pixel Accuracy MPA)平均交并比（Mean Intersection over Union MIoU）若想理解
语义分割评估指标
qq_15409121的博客
07-25 1855
语义分割评估指标
语义分割常用指标(mIOU,Dice coefficient)
01-07
语义分割mIOU定义如下：                                                      其中p_ij表示真实值为i，被预测为j的像素数量，等价于                                                                              其中TP(t)表示以为阈值的情况下预测为正样本，实际上也为正样本的数量。 Dice coefficient定义如下：                                                                    
准确度判断 语义分割_【语义分割】评价指标总结及代码实现
weixin_39875805的博客
12-24 593
本文记录了语义分割准确性评价指标的总结以及代码实现对于像素级别的分类，最常用的评价指标是Pixel Accuracy(像素准确率)和Mean Inetersection over Union(平均交并比)，二者的计算都是建立在混淆矩阵的基础上的。因此首先来介绍一下混淆矩阵，之后分别介绍PA，MPA，MIoU，FWIoU，最后附上代码实现。首先假定数据集中有n+1类(0~n+1)，0通常表示背景。使...
关于语义分割常见的评价指标
Henry的博客
04-08 1967
计算机视觉的三大任务：图像分类(识别)、图像分割、目标检测关于图像分割可以分为三类：语义分割、实例分割、全景分割其中，语义分割就是将图像的不同语义划分出来，图像的语义就是某一部分代表什么意思。例如，将下面图像中的飞机分割出来实例分割就是对不同类别的分割，比如都是飞机，但是，不是同一种或者同一个飞机而全景分割，就是前两者的综合。
语义分割的评价指标——MIoU
weixin_43917574的博客
08-05 1万+
语义分割的评价指标MIoU理解及代码实现
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现
smallworldxyl的博客
11-26 1万+
文章目录 引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比 3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU 4 测试代码参...
【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！）
热门推荐
西北种田文的博客
12-22 10万+
文章目录引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比（改进，先求IoU，再求MIoU，这里有误）3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU4 测试代码参考 引言 语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA...
图像分割模型评价指标
03-27
### 图像分割模型的评价指标 #### 1. **交并比 (Intersection over Union, IoU)** IoU 是一种衡量两个区域重叠程度的重要指标，在图像分割任务中被广泛使用。它通过计算预测掩码与真实标签之间的交集与并集之比来量化两者的相似度[^1]。具体公式如下： ```python def iou_score(y_true, y_pred): intersection = (y_true * y_pred).sum() union = y_true.sum() + y_pred.sum() - intersection return intersection / union if union != 0 else 0 ``` 对于像素级分类的任务，通常会针对每个类别分别计算 IoU 并取平均值得到 mean IoU。 --- #### 2. **平均精度均值 (mean Average Precision, mAP)** mAP 是目标检测和实例分割领域中的核心评估标准之一。其定义是对所有类别的 AP 值求平均值，能够全面反映模型的整体性能[^2]。在图像分割场景下，mask mAP 特指基于分割掩码计算得到的 AP 均值。 - **mAP@X**: 这里的 X 表示 IOU 阈值，例如 [email protected] 意味着只考虑那些 IoU 超过 0.5 的预测结果。更高的阈值意味着更严格的要求。 - 计算方法：先为每种类别生成 PR 曲线，再通过对曲线下面积积分得出 AP，最后对所有类别的 AP 取平均即得 mAP。 --- #### 3. **精确率 (Precision)** Precision 定义为模型预测为正类的样本中有多少实际上是正类，主要用于衡量预测结果的准确性[^3]。其公式为： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] 在语义分割或实例分割中，可以通过逐像素比较预测与真值来统计 TP 和 FP 数量。 --- #### 4. **召回率 (Recall)** Recall 表达的是实际为正类的样本中有多少被成功识别出来，侧重于覆盖范围而非错误数量。公式表示为： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 同样地，在图像分割任务中可通过逐像素对比实现该指标的计算。 --- #### 综合考量：F1-Score 为了平衡 Precision 和 Recall，常引入 F1-Score 来综合评估模型表现。它是两者调和平均的结果，适用于需要兼顾准确性和覆盖率的情况。公式如下： \[ F1 = 2 \cdot \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} \] --- ### 总结 图像分割模型的主要评价指标包括但不限于 IoU、mAP、Precision 和 Recall。其中 IoU 更加关注单个对象级别的匹配情况；而 mAP 则提供了多类别整体性能的宏观视角。Precision 和 Recall 分别代表了不同侧重点下的模型能力，最终可借助 F1-Score 实现二者的折衷分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值