主要内容

semanticSegmentationMetrics

语义分割质量度量

全部展开页面

描述

一个semanticSegmentationMetrics对象封装了一组图像的语义分割质量度量。

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C行和列，其中C是语义分割中类的数量。每个表元素(我，j)是已知属于类的像素数我但被预言属于阶级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是语义分割中类的数量。每个表元素(我，j)是已知属于类的像素数我但被预言属于阶级j，除以课堂上预测的像素总数j．元素的范围是[0,1]。

此属性是只读的。

语义分段指标聚合在数据集上，指定为具有一行的表。DataSetMetrics最多有5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率，不管类别。

  • MeanAccuracy-正确分类的像素在每个类与总像素的比率，平均在所有类。这个值等于ClassMetrics。精度．

  • MeanIoU-所有类的联合(IoU)的平均交集。这个值等于ClassMetrics。借据．

  • WeightedIoU-所有类的平均IoU，以类中的像素数加权。

  • MeanBFScore-所有图像的平均边界F1 (BF)评分。这个值等于ImageMetrics。BFScore．当您创建semanticSegmentationMetrics对象，使用混淆矩阵作为输入evaluateSemanticSegmentation．

此属性是只读的。

每个类的语义分割指标，指定为表C行,C是语义分割中类的数量。ClassMetrics最多有三列，对应于“指标”使用的名称值对evaluateSemanticSegmentation：

  • 精度-根据ground truth，正确分类的像素与属于该类的像素总数的比率。准确性可以表示为:

    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:真阳性数，FN为假阴性数。

  • 借据-正确分类的像素与地面真理和预测器分配给该类的像素总数的比率。IoU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-每个类的边界F1得分，在所有图像上取平均值。当您创建semanticSegmentationMetrics对象，使用混淆矩阵作为输入evaluateSemanticSegmentation．

此属性是只读的。

为数据集中的每个图像的语义分割指标，指定为一个表N行,N为数据集中图像的数量。ImageMetrics最多有5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率，不管类别。

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

  • MeanIoU-图像中所有类别的平均欠条。

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

  • MeanBFScore-图像中每个类的平均BF分数。当您创建semanticSegmentationMetrics对象，使用混淆矩阵作为输入evaluateSemanticSegmentation．

每个图像度量返回一个向量，数据集中的每个图像都有一个元素。行的顺序与输入定义的图像的顺序相匹配PixelLabelDatastore对象表示数据集。

例子

全部折叠

这个示例使用:

打开生活的脚本

的triangleImages数据集有100张带有地面真值标签的测试图像。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”）;

定义地面真值标签的位置。

testLabelsDir = fullfile (dataSetDir,“testLabels”）;

创建一个保存测试映像的imageDatastore。

imd = imageDatastore (testImagesDir);

定义类名及其关联的标签id。

一会= [“三角形”，“背景”］;标签id = [255 0];

创建一个pixelLabelDatastore，保存测试图像的ground truth像素标签。

一会,pxdsTruth = pixelLabelDatastore (testLabelsDir labelIDs);

在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。

根据地面真实情况评估预测结果。

指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth);
---------------------------------------- *选择指标:全局准确率，类准确率，IoU，加权IoU, BF评分。*处理100张图片。*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]

显示分类精度，交叉超过联合，和每个类的边界F-1分数。这些值存储在ClassMetrics财产。

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

控件中存储的规范化混淆矩阵NormalizedConfusionMatrix财产。

指标。ConfusionMatrix
ans =2×2表三角形背景________ __________三角形4730 0背景9601 88069

另请参阅

|||(深度学习工具箱)

主题

介绍了R2017b

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书