文章目录
*
– 背景
– 计算
–
+ GA、OA
+ Class Accuracy
+ Mean Accuracy
+ Intersection over Union (IoU)
+ Mean IoU
背景
假设在一次分类/分割任务中，共有 60 个样本，其中：
- 10个A类
- 20个B类
- 30个C类
每个样本的预测结果如下。 可见其对角线上的数字（8，15，24）均为正确预测，其它为错误预测。且每一列的总和为该类的总数目。
❓那么对于以上的结果，如何计算此次分类任务的GA、OA、mAcc、IoU、mIoU？
; 计算
GA、OA
Global Accuracy，Overall Accuracy表示全局的准确性，既不考虑类别，仅考虑所有样本的分类好坏。
计算方式： 所有正确分类的样本 / 样本总数。
O A = ( 8 + 15 + 24 ) 60 = 0.783 OA = \frac{{\left( {8 + 15 + 24} \right)}}{{60}} = {\text{0}}{\text{.783}}O A =60 (8 +15 +24 )=0 .783
Class Accuracy
Class Accuracy，每一个类别的分类准确性。
计算方式： 正确预测为该类别的样本数 / 该类别的实际样本数
C A c l a s s A = 8 10 = 0.800 C{A_{classA}} = \frac{8}{{10}} = 0.800 C A c l a ss A =10 8 =0.800
C A c l a s s B = 15 20 = 0.750 C{A_{classB}} = \frac{{15}}{{20}} = 0.750 C A c l a ss B =20 15 =0.750
C A c l a s s C = 24 30 = 0.800 C{A_{classC}} = \frac{{24}}{{30}} = 0.800 C A c l a ss C =30 24 =0.800
Mean Accuracy
即Mean (Class) Accuracy，mAcc，所有类别的平均准确率。
计算方式： 所有 Class Accuracy 取平均值
m A c c = C A A + C A B + C A C 3 = 0.800 + 0.750 + 0.800 3 = 0.783 mAcc = \frac{{C{A_A} + C{A_B} + C{A_C}}}{3} = \frac{{0.800 + 0.750 + 0.800}}{3} = {\text{0}}{\text{.783}}m A cc =3 C A A +C A B +C A C =3 0.800 +0.750 +0.800 =0 .783
Intersection over Union (IoU)
某一类的预测结果和真实值的交集与其并集的 比值
计算方式： （某类的真实样本 ∩ 预测为该类的样本） / （某类的真实样本 ∪ 预测为该类的样本）
I o U c l a s s A = 8 10 + ( 5 + 4 ) = 0.421 Io{U_{classA}} = \frac{8}{{10 + (5 + 4)}} = {\text{0}}{\text{.421}}I o U c l a ss A =10 +(5 +4 )8 =0 .421
I o U c l a s s B = 15 20 + ( 1 + 2 ) = 0.652 Io{U_{classB}} = \frac{{15}}{{20 + (1 + 2)}} = {\text{0}}{\text{.652}}I o U c l a ss B =20 +(1 +2 )15 =0 .652
I o U c l a s s C = 24 30 + ( 1 + 0 ) = 0.774 Io{U_{classC}} = \frac{{24}}{{30 + (1 + 0)}} = {\text{0}}{\text{.774}}I o U c l a ss C =30 +(1 +0 )24 =0 .774
Mean IoU
mIoU， 计算方式： 所有 Class 的 IoU取平均值
m I o U = I o U A + I o U B + I o U C 3 = 0.421 + 0.652 + 0.774 3 = 0.615 mIoU = \frac{{Io{U_A} + Io{U_B} + Io{U_C}}}{3} = \frac{{0.421 + 0.652 + 0.774}}{3} = {\text{0}}{\text{.615}}m I o U =3 I o U A +I o U B +I o U C =3 0.421 +0.652 +0.774 =0 .615
对于IoU和mIoU的计算，也可以更形象地参考：深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、IoU、mIoU
Original: https://blog.csdn.net/qq_27816785/article/details/125833556
Author: Gisleung
Title: 【深度理解】语义分割中常用的评价指标含义GA、OA、mAcc、IoU、mIoU
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/614112/
转载文章受原作者版权保护。转载请注明原作者出处！