mIoU的计算

# mIoU 的计算

1、首先计算混淆矩阵

在这里插入图片描述

self.confusion_matrix = np.zeros((self.num_class,)*2)

def _generate_matrix(self, gt_image, pre_image, ignore_labels):
    mask = (gt_image >= 0) & (gt_image < self.num_class)
    for IgLabel in ignore_labels:
        mask &= (imgLabel != IgLabel)
            
    label = self.num_class * gt_image[mask].astype('int') + pre_image[mask]
    
    count = np.bincount(label, minlength=self.num_class**2)
    confusion_matrix = count.reshape(self.num_class, self.num_class)
    return confusion_matrix

1
2
3
4
5
6
7
8
9
10
11
12

混淆矩阵是一个 num_class*num_class 的矩阵，表示每个类的

首先，只计算 0~num_class 的mask
对于 ignore_labels 的标签值，直接忽略掉
np.bincount 计算了从 0 到 $n^2-1$ 这 $n^2$ 个数中每个数出现的次数，返回值形状为 (n, n)

计算某一个类的 IoU

# hist 即为 混淆矩阵
def per_class_IoU(hist):
    # 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)
    return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))

mIoU = np.mean(per_class_iu(hist)

1
2
3
4
5
6

计算某个类的 TP

# hist 即为 混淆矩阵
def per_class_TP(hist):
    # 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)
    return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))

1
2
3
4
5
6

计算某个类的 TN

# hist 即为 混淆矩阵
def per_class_TN(hist):
	pass

1
2
3

计算某个类的 FP

# hist 即为 混淆矩阵
def per_class_FP(hist):
	pass

1
2
3

计算某个类的 FN

# hist 即为 混淆矩阵
def per_class_FN(hist):
    pass

1
2
3

在这里插入图片描述

# 在预测的所有正样本中，预测正确的比例
precision = TP / (TP + FP)

# 在所有正样本中，预测为正样本的比例
recall = TP / (TP + FN)

# 精确率和召回率的一种权衡
F1 = 2 * precision * recall /(precision + recall)

1
2
3
4
5
6
7
8

参考资料

https://yearing1017.gitee.io/2020/02/07/%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E6%8C%87%E6%A0%87MIoU/

上次更新: 2023/03/25, 19:58:09

← DeepLab系列代码 Multi-label 分类中如何计算 mAP→