【计算机视觉】评估语义分割精确度的指标
假设共有$k+1$个类（从$L_0$到$L_k$，其中包含一个空类或背景），$p_{ij}$表示本属于类$i$但被预测为类$j$的像素数量。即，$p_{ii}$表示真正的数量，而$p_{ij}$ $p_{jj}$则分别被解释为假正和假负，尽管两者都是假正与假负之和。
像素精度（Pixel Accuracy， PA）
像素精度指的是正确标记的像素占总像素的比例。
均像素精度（Mean Pixel Accuracy，MPA）
MPA是PA的一种简单提升，计算每个类内被正确分类像素数的比例，之后求所有类的平均。
当一张图中目标占一小部分，背景占据大部分像素，即使模型不能正确分割出目标，指标像素精度也会接近于1，即模型分割精确度较高。这类问题叫做类别不平衡（class imbalance）。然而在许多数据集中都存在类别不平衡的现象，所以像素精度不是常用指标。
均交并比（Mean Intersection over Union， MIoU）
MIoU为语义分割的标准度量。其计算两个集合的交集和并集之比，在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。这个比例可以变形为真正数（Intersection）比上真正、假负、假正（Union）之和。在每个类上计算IoU，之后平均。
MIoU直观理解
如下图所示，红色圆代表真实值，黄色圆代表预测值。橙色部分红色圆与黄色圆的交集，即真正（预测为1，真实值为1）的部分，红色部分表示假负（预测为0，真实为1）的部分，黄色表示假正（预测为1，真实为0）的部分，两个圆之外的白色区域表示真负（预测为0，真实值为0）的部分。 MIoU计算的是计算A与B的交集（橙色部分）与A与B的并集（红色+橙色+黄色）之间的比例，在理想状态下A与B重合，两者比例为1 。
code
def iou_coef(y_true, y_pred, smooth=1):
intersection = sum(y_pred & y_true)
union = sum(y_true) + sum(y_pred) - intersection
iou = (intersection + smooth) / (union + smooth)
return iou
上述代码计算一个类别的真实分割与预测分割的交并比，y_true、y_pred都是numpy.array。但是上面代码运行较慢，可参考下面代码提升运算速度（摘自github，原代码可快速计算多个类别的交并比）。
import numpy as np
def fast_hist(a, b):
k = (a > 0) & (a <= 1 )
hist = np.bincount(a[k].astype(int) + b[k], minlength=1)
iou = hist[2] / (hist[1] + hist[2])
return iou
Dice Coefficient (F1 Score)
Dice系数指的是2*真实值与预测值的交集除以真实值与预测值的总和。Dice系数与IoU非常相似。 它们是正相关的。和IoU一样，Dice的范围都在0到1之间，其中1表示预测值与真值之间的最大相似性。
code
from keras import backend as K
def dice_coef(y_true, y_pred, smooth=1):
intersection = K.sum(y_true * y_pred, axis=[1,2,3])
union = K.sum(y_true, axis=[1,2,3]) + K.sum(y_pred, axis=[1,2,3])
dice = K.mean((2. * intersection + smooth)/(union + smooth), axis=0)
return dice
references
