文档帮助中心文档
语义分割质量度量
一个semanticSegmentationMetrics对象封装了一组图像的语义分割质量度量。
semanticSegmentationMetrics
创建一个semanticSegmentationMetrics对象使用evaluateSemanticSegmentation函数。
evaluateSemanticSegmentation
全部展开
ConfusionMatrix
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.
NormalizedConfusionMatrix
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]。
DataSetMetrics
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:
“指标”
GlobalAccuracy-正确分类的像素与总像素的比率,不管类别。
GlobalAccuracy
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.
MeanAccuracy
ClassMetrics。精度
MeanIoU-所有类的联合(IoU)的平均交集。这个值等于ClassMetrics。借据.
MeanIoU
ClassMetrics。借据
WeightedIoU-所有类的平均IoU,以类中的像素数加权。
WeightedIoU
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.
MeanBFScore
ImageMetrics。BFScore
ClassMetrics
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
精度= (tp + tn) / (tp + tn + fp + fn)
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
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.
ImageMetrics
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:
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。
PixelLabelDatastore
全部折叠
这个示例使用:
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。
triangleImages
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
bfscore|evaluateSemanticSegmentation|jaccard|plotconfusion(深度学习工具箱)
bfscore
jaccard
plotconfusion
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系