深度学习之语义分割中的度量标准

 

真实1

真实0

预测1

TRUE Positive(TP)真阳性

FALSE Positive(FP)假阳性

预测0

False Negative(FN)假阴性

True Negative(TN)真阴性

查准率(precision),指的是预测值为1且真实值也为1的样本在预测值为1的所有样本中所占的比例。以西瓜问题为例,算法挑出来的西瓜中有多少比例是好西瓜。

深度学习之语义分割中的度量标准

 

召回率(recall),也叫查全率,指的是预测值为1真实值也为1的样本在真实值1的所有样本中所占的比例。所有的好西瓜中有多少比例被算法挑了出来。

深度学习之语义分割中的度量标准

 

F1分数(F1-Score),又称为平衡F分数(BalancedScore),它被定义为精确率和召回率的调和平均数。

深度学习之语义分割中的度量标准

 

IOU(Intersection over Union)交并比。计算真实值和预测值集合的交集与并集之比。

深度学习之语义分割中的度量标准

 

计算IOU需要用到的函数,TensorFlow里的是tf.count_nonzero(x)计算张量x里的非零元素个数。Numpy里是np.count_nonzero(x),计算矩阵x里非零元素个数;numpy中np.nonzero()函数,得到数组array中非零元素的位置(数组索引)的函数。

TP = tf.count_nonzero(y_pred_tf * y_true_tf)
TN = tf.count_nonzero((y_pred_tf - 1) * (y_true_tf - 1))
FP = tf.count_nonzero(y_pred_tf * (y_true_tf - 1))
FN = tf.count_nonzero((y_pred_tf - 1) * y_true_tf)

iou= TP / (TP + FP + FN)

6、张量操作

tensorflow 计数器 tf.bincount(x) 统计x里每个元素的个数

tf.count_nonzero() 统计x里非零元素的个数

tf.unique_with_counts()

参见:https://www.cnblogs.com/yifdu25/p/8313251.html

      https://www.cnblogs.com/fwl8888/p/9791879.html

https://www.w3cschool.cn/tensorflow_python/tensorflow_python-z5822of0.html

上一篇:[R - ml] 模型的评估


下一篇:千亿美金公司的技术核心!这个图像分割库太炸了!