semanticSegmentationMetrics
语义分割质量指标
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
ConfusionMatrix
- - - - - -混淆矩阵
表格
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.
NormalizedConfusionMatrix
- - - - - -规范化的混淆矩阵
表格
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]。
DataSetMetrics
- - - - - -数据集的度量
表格
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。
ClassMetrics
- - - - - -类指标
表格
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
.
ImageMetrics
- - - - - -图像指标
表格
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
评估语义分割结果
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
evaluateSemanticSegmentation
|plotconfusion
(深度学习工具箱)|jaccard
|bfscore
主题
- 开始使用深度学习进行语义分割
- MATLAB中的深度学习(深度学习工具箱)
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。