semanticSegmentationMetrics
语义分割质量指标
描述
一个semanticSegmentationMetrics
对象封装了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
这个属性是只读的。
混淆矩阵,指定为一个表C行和列,C在语义分割类的数量。每个表元素(我,j)是已知像素属于类的计数我但预测属于类j。
NormalizedConfusionMatrix
- - - - - -规范化的混淆矩阵
表
这个属性是只读的。
规范化的混淆矩阵,指定为一个表C行和列,C在语义分割类的数量。的NormalizedConfusionMatrx
代表一个混淆矩阵归一化像素的数量属于每个类。每个表元素(我,j)是已知像素属于类的计数我但预测属于类j,除以总数量的像素预测在课堂上我。元素是在[0,1]。
DataSetMetrics
- - - - - -数据集的度量
表
这个属性是只读的。
语义细分指标聚合数据集,用一行指定为一个表。DataSetMetrics
有五列,相应的度量标准是指定的吗“指标”
名称-值对使用evaluateSemanticSegmentation
:
GlobalAccuracy
——正确分类像素比总像素,不管类。MeanAccuracy
——正确的比例在每个类分类像素像素,总平均超过所有类。的值等于的意思ClassMetrics.Accuracy
。MeanIoU
——平均交叉联盟(借据)的类。的值等于的意思ClassMetrics.IoU
。WeightedIoU
所有类的平均借据,班上加权像素的数量。MeanBFScore
——平均边界F1 (BF)分数的所有图像。的值等于的意思ImageMetrics.BFScore
。这个指标是不可用的,当你创建一个semanticSegmentationMetrics
对象通过使用混淆矩阵作为输入evaluateSemanticSegmentation
。
请注意
的值南
在数据集、类或图像指标,表明一个或多个类失踪期间计算的指标在使用evaluateSemanticSegmentation
函数。在这种情况下,软件无法准确计算指标。
失踪的类可以通过查看找到ClassMetrics
每个类的属性,该属性提供了衡量标准。更准确地评估你的网络,增强你的地面真理与更多的数据,包括失踪的类。
ClassMetrics
- - - - - -类指标
表
这个属性是只读的。
为每个类语义细分指标,指定为一个表C行,C在语义分割类的数量。ClassMetrics
有三列,相应的指标是指定的吗“指标”
名称-值对使用evaluateSemanticSegmentation
:
精度
——正确的比例在每个类分类像素的像素总数属于这类根据地面真理。精度可以表示为: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:真阳性和FN的假阴性。
借据
——正确分类像素的总数比像素指定这个类的地面真理和预测。借据可以表示为:借据
= TP / (TP + FP + FN)图像描述真正的阳性(TP),假阳性(FP),和假阴性(FN)。
MeanBFScore
——边界F1得分为每个类,平均超过所有图片。这个指标是不可用的,当你创建一个semanticSegmentationMetrics
对象通过使用混淆矩阵作为输入evaluateSemanticSegmentation
。
ImageMetrics
- - - - - -图像指标
表
这个属性是只读的。
每个图像的语义分割指标数据集,指定为一个表N行,N是图像的数量数据集。ImageMetrics
有五列,相应的度量标准是指定的吗“指标”
名称-值对使用evaluateSemanticSegmentation
:
GlobalAccuracy
——正确分类像素比总像素,不管类。MeanAccuracy
——正确分类像素比总像素,图像中所有类的平均值。MeanIoU
——图像中所有类的平均借据。WeightedIoU
——图像中所有类的平均借据,加权像素的数量在每个类。MeanBFScore
- BF得分平均每个类的形象。这个指标是不可用的,当你创建一个semanticSegmentationMetrics
对象通过使用混淆矩阵作为输入evaluateSemanticSegmentation
。
每个图像度量返回一个矢量,用一个元素为每个图像的数据集。订单行匹配图像的顺序定义的输入PixelLabelDatastore
对象代表数据集。
例子
评估语义分割结果
的triangleImages
数据集与地面实况100个测试图像标签。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”);
定义地面实况标签的位置。
testLabelsDir = fullfile (dataSetDir,“testLabels”);
创建一个imageDatastore测试图像。
imd = imageDatastore (testImagesDir);
定义类名和它们相关的标签id。
一会= [“三角形”,“背景”];labelIDs = (255 0);
创建一个pixelLabelDatastore控股的地面实况像素标签测试图像。
一会,pxdsTruth = pixelLabelDatastore (testLabelsDir labelIDs);
加载一个语义分割网络训练的训练图像triangleImages
。
网=负载(“triangleSegmentationNetwork”);网= net.net;
运行网络测试图像。预测标签在一个临时目录中写入磁盘和作为pixelLabelDatastore返回。
pxdsResults = semanticseg (imd,净,“WriteLocation”,tempdir);
运行的语义分割网络- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - * 100张图片处理。
评估预测结果对地面真理。
指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth);
评估语义分割结果- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *选定指标:全球准确性、类准确性,借据,加权借据,BF的分数。* 100(加工)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
显示的属性semanticSegmentationMetrics
对象。
指标
与属性指标= semanticSegmentationMetrics: ConfusionMatrix: [2 x2表]NormalizedConfusionMatrix: [2 x2表]DataSetMetrics: [1 x5表]ClassMetrics: [2 x3表]ImageMetrics: [100 x5表)
显示分类精度,在联盟十字路口,每个类的边界f - 1分。这些值存储在ClassMetrics
财产。
metrics.ClassMetrics
ans =2×3表准确性借据MeanBFScore ________ _________ ___________三角形1 0.33005 0.028664 0.9017 0.9017 0.78438背景
显示存储在规范化的混淆矩阵NormalizedConfusionMatrix
财产。
metrics.ConfusionMatrix
ans =2×2表三角形背景________ __________三角形背景9601 88069 4730 0
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
- 开始使用语义分割使用深度学习
- 深度学习在MATLAB(深度学习工具箱)
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。