Jak obliczyć średnią wartość IU w segmentacji obrazu?

Question

Jak obliczyć wynik (IU (średnia przecięcie na poziomie Unii) jak w dokumencie?

Długo, Jonathan, Evan Shelhamer i Trevor Darrell. "W pełni konwergentne sieci do segmentacji semantycznej".

Answer 1

dla każdej klasy przecięcia nad Unii (jm) wynik:

prawda dodatnie/(true dodatnie + fałszywie dodatnie + fałszywie ujemnych)

oznaczać jm jest po prostu średnią dla wszystkich klas.

---

chodzi o zapis na papierze:

• n_cl: liczba klas
• t_I: całkowita liczba pikseli w klasie i

• n_ij: liczba piksele klasy i przewidziano, że należą do klasy j. Więc dla klasy i:

  • n_ii: liczba prawidłowo sklasyfikowanych pikseli (prawdziwie dodatnich)
  • n_ij: liczba pikseli błędnie sklasyfikowane (fałszywie dodatnie)
  • n_ji: liczba pikseli niesłusznie nie classifed (fałszywe negatywy)

można znaleźć kod mATLAB do obliczania tego bezpośrednio w DevKit Pascak here

Answer 2

To powinno pomóc

def computeIoU(y_pred_batch, y_true_batch): 
    return np.mean(np.asarray([pixelAccuracy(y_pred_batch[i], y_true_batch[i]) for i in range(len(y_true_batch))])) 

def pixelAccuracy(y_pred, y_true): 
    y_pred = np.argmax(np.reshape(y_pred,[N_CLASSES_PASCAL,img_rows,img_cols]),axis=0) 
    y_true = np.argmax(np.reshape(y_true,[N_CLASSES_PASCAL,img_rows,img_cols]),axis=0) 
    y_pred = y_pred * (y_true>0) 

    return 1.0 * np.sum((y_pred==y_true)*(y_true>0))/np.sum(y_true>0)