主要内容

semanticSegmentationMetrics

语义分割质量指标

在页面中全部展开

描述

一个semanticSegmentationMetrics对象封装一组图像的语义分割质量指标。

创建

创建一个semanticSegmentationMetrics对象使用evaluateSemanticSegmentation函数。

属性

全部展开

此属性是只读的。

混淆矩阵，指定为表用C行和列，其中C是语义分割中的类数。每个表元素(我，j)是已知属于该类的像素的计数我但预计属于一类j．

此属性是只读的。

归一化混淆矩阵，指定为表用C行和列，其中C是语义分割中的类数。的NormalizedConfusionMatrx表示由已知属于每个类的像素数规范化的混淆矩阵。每个表元素(我，j)是已知属于该类的像素的计数我但预计属于一类j，除以课堂上预测的总像素数我．元素的范围是[0,1]。

此属性是只读的。

语义分割指标聚合在数据集上，指定为只有一行的表。DataSetMetrics最多有五列，对应于“指标”使用的名称-值对evaluateSemanticSegmentation：

  • GlobalAccuracy-正确分类的像素与总像素的比例，无论类别。

  • MeanAccuracy-每个类中正确分类的像素与总像素的比率，所有类的平均值。的值等于的平均值ClassMetrics。精度．

  • MeanIoU-所有类的平均交点除以并集(IoU)。的值等于的平均值ClassMetrics。借据．

  • WeightedIoU-所有类的平均欠条，按类的像素数加权。

  • MeanBFScore-所有图像的平均边界F1 (BF)得分。的值等于的平均值ImageMetrics。BFScore．创建时，此指标不可用semanticSegmentationMetrics对象，使用混淆矩阵作为的输入evaluateSemanticSegmentation．

请注意

的值南类或图像度量中，表示在使用度量时计算度量时缺少一个或多个类evaluateSemanticSegmentation函数。在这种情况下，软件无法准确计算指标。

的方法可以找到丢失的类ClassMetrics属性，该属性为每个类提供度量。为了更准确地评估您的网络，请使用更多包含缺失类的数据来增强您的基本事实。

此属性是只读的。

每个类的语义分割指标，指定为一个表C行,C是语义分割中的类数。ClassMetrics最多有三列，对应于“指标”使用的名称-值对evaluateSemanticSegmentation：

  • 精度-每个类中正确分类的像素与根据ground truth属于该类的像素总数的比值。精度可表示为:

    精度= (tp + tn) / (tp + tn + fp + fn)

    积极的 负
    积极的 TP:真积极 FN:假阴性
    负 外交政策:假阳性 TN:真阴性

    TP:真阳性，FN是假阴性的数量。

  • 借据-正确分类的像素与由基础真理和预测器分配该类的像素总数的比率。欠条可以表示为:

    借据= tp / (tp + fp + fn)

    该图像描述了真阳性(TP)、假阳性(FP)和假阴性(FN)。

  • MeanBFScore-每个职业的边界F1得分，所有图像的平均值。创建时，此指标不可用semanticSegmentationMetrics对象，使用混淆矩阵作为的输入evaluateSemanticSegmentation．

此属性是只读的。

语义分割指标为数据集中的每个图像，指定为表与N行,N是数据集中图像的数量。ImageMetrics最多有五列，对应于“指标”使用的名称-值对evaluateSemanticSegmentation：

  • GlobalAccuracy-正确分类的像素与总像素的比例，无论类别。

  • MeanAccuracy-正确分类像素与总像素的比率，在图像中所有类的平均值。

  • MeanIoU—图像中所有类的平均欠条。

  • WeightedIoU-图像中所有类的平均欠条，按每个类的像素数加权。

  • MeanBFScore-图像中每个职业的平均BF值创建时，此指标不可用semanticSegmentationMetrics对象，使用混淆矩阵作为的输入evaluateSemanticSegmentation．

每个图像指标返回一个向量，数据集中的每个图像都有一个元素。行顺序与输入定义的图像顺序匹配PixelLabelDatastore表示数据集的对象。

例子

全部折叠

这个示例使用:

打开生活的脚本

的triangleImages数据集有100个测试图像与地面真实标签。定义数据集的位置。

dataSetDir = fullfile (toolboxdir (“愿景”)，“visiondata”，“triangleImages”）;

定义测试图像的位置。

testImagesDir = fullfile (dataSetDir,“testImages”）;

定义基本真理标签的位置。

testLabelsDir = fullfile (dataSetDir,“testLabels”）;

创建一个保存测试图像的imageDatastore。

imd = imageDatastore (testImagesDir);

定义类名及其相关的标签id。

一会= [“三角形”，“背景”];labelIDs = [255 0];

创建一个pixelLabelDatastore，保存测试图像的地面真相像素标签。

一会,pxdsTruth = pixelLabelDatastore (testLabelsDir labelIDs);

的训练图像上加载经过训练的语义分割网络triangleImages．

网=负载(“triangleSegmentationNetwork”）;网= net.net;

在测试映像上运行网络。预测的标签被写入临时目录中的磁盘，并作为pixelLabelDatastore返回。

pxdsResults = semanticseg (imd,净,“WriteLocation”, tempdir);
运行的语义分割网络  ------------------------------------- * 100张图片处理。

根据实际情况对预测结果进行评价。

指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth);
评估语义分割结果---------------------------------------- *选择的指标:全局精度、类精度、IoU、加权IoU、BF评分。*处理了100张图像。*完成……完成了。*数据集指标:GlobalAccuracy MeanAccuracy MeanIoU WeightedIoU MeanBFScore  ______________ ____________ _______ ___________ ___________ 0.90624 0.95085 0.61588 0.87529 0.40652

的属性semanticSegmentationMetrics对象。

指标
metrics = semanticSegmentationMetrics with properties: ConfusionMatrix: [2x2 table] NormalizedConfusionMatrix: [2x2 table] DataSetMetrics: [1x5 table] ClassMetrics: [2x3 table] ImageMetrics: [100x5 table]

显示每个类的分类精度、交集过并和边界F-1分数。这些值存储在ClassMetrics财产。

指标。ClassMetrics
ans =2×3表精度IoU MeanBFScore ________ _______ ___________三角1 0.33005 0.028664背景0.9017 0.9017 0.78438

对象中存储的归一化混淆矩阵NormalizedConfusionMatrix财产。

指标。ConfusionMatrix
ans =2×2表三角后台________ __________三角4730 0后台9601 88069

版本历史

介绍了R2017b

另请参阅

|(深度学习工具箱)||

主题

Baidu
map