语义分割的评价指标MIoU

语义分割，简单地讲就是给一张图像，分割分出一个物体的准确轮廓。其实就是分类任务，而分类任务预测的结果往往就是一下四种：

1. TP：True Positive
2. FP：False Positive
3. TN：True Negative
4. FN：False Negative

其中，T/F表示预测与实际是否相符；P/N表示预测结果的正负。下面我们看一个具体的例子对这出现的四种情况进行分析：
    

由上图可以看出，在这个语义分割的任务中，我们将$negative$表示为非物体标签，即背景；$positive$表示有物体标签。

从上图中，我们可以清楚地看到白色斜线标记的是TN（预测中真实的背景部分）；红色斜线标记的是FN（预测中被预测为背景，但实际上并不是背景的部分）;蓝色斜线标记的是FP（预测中被预测为标签的一部分，但实际上是背景的一部分）；中间的黄色框标记的是TP（预测是标签，实际也是标签，预测和实际相符合）。

Mean Intersection over Union（MIoU，均交并比）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 TP（交集）比上 TP、FP、FN 之和（并集）。在每个类上计算 IoU，然后取平均。

MIoU = A∩B / A∪B = TP / (FP + FN + TP)

语义分割的评价指标MIoU

原文：https://www.cnblogs.com/xiazhenbin/p/13934286.html