主要内容

semanticSegmentationMetrics

语义分割质量指标

扩展所有的页面

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

全部展开

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。

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]。

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。

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。

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

全部折叠

这个示例使用:

打开生活的脚本

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

|(深度学习工具箱)||

主题