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。

标准化混淆矩阵，指定为带有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.元素在[0,1]范围内。

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。数据集度量最多有五列，对应于“指标”与一起使用的名称-值对evaluateSemanticSegmentation：

  • GlobalAccuracy-正确分类的像素与总像素的比率，不考虑类别。

  • 平均精度-每个类中正确分类的像素与所有类中平均的总像素的比率。该值等于的平均值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，按类中的像素数加权。

  • MeanBFScore-所有图像的平均边界F1（BF）分数。该值等于ImageMetrics。BFScore. 此度量在创建时不可用semanticSegmentationMetrics对象，使用混淆矩阵作为输入evaluateSemanticSegmentation．

此属性是只读的。

每个类的语义分段度量，指定为带有C行，在哪里C是语义分割中类的数量。ClassMetrics最多有三列，对应于“指标”与一起使用的名称-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：真阳性 FN:假阴性
    负 FP：假阳性 TN：真阴性

    TP：真阳性，FN是假阴性的数量。

  • 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）

    图像描述了真阳性（TP）、假阳性（FP）和假阴性（FN）。

  • MeanBFScore-每个类别的边界F1分数，所有图像的平均值。此度量在创建时不可用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，在哪里N是数据集中的图像数。图像度量最多有五列，对应于“指标”与一起使用的名称-值对evaluateSemanticSegmentation：

  • GlobalAccuracy-正确分类的像素与总像素的比率，不考虑类别。

  • 平均精度-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，数据集中每个图像有一个元素。行的顺序与输入定义的图像顺序匹配像素标签数据库表示数据集的对象。

例子

全部折叠

这个示例使用:

打开实时脚本

的三角形图像数据集有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”，“三角形图像”）;

定义测试图像的位置。

testImagesDir = fullfile (dataSetDir,“测试图像”）;

定义地面真实值标签的位置。

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。

类名=[“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三角形图像．

网=负载(“triangleSegmentationNetwork”）;网= net.net;

在测试图像上运行网络。预测的标签将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。

根据实际情况评估预测结果。

指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth);
评估语义分段结果-----------------------------------------*所选指标：全局精度、类精度、IoU、加权IoU、BF分数。*处理了100幅图像。*正在完成。。。完成。*数据集指标：全球准确度平均精度平均权重你平均得分

显示文件的属性semanticSegmentationMetrics对象

指标
metrics=semanticSegmentationMetrics，属性为：ConversionMatrix:[2x2表]NormalizedConversionMatrix:[2x2表]DataSetMetrics:[1x5表]ClassMetrics:[2x3表]ImageMetrics:[100x5表]

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。

度量矩阵
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

MATLABで始めるディープラーニング

MATLABで始めるディープラーニング

电子书をダウンロードする