概述

语义分割 (Semantic Segmentation) 在计算机视觉 CV 领域有着举足轻重的地位, 在医疗, 无人驾驶等领域有广泛的应用. 从今天开始我们将通过理论讲解和实战来开启语义分割 (Semantic Segmentation) 的大门.

图像分割

图像分割 (Image Segmentation) 指的是根据某些规则将图片分成若干个特定的, 具有独特性质的区域, 并抽取出感兴趣的目标.

目前图像分割任务领域:

• 语义分割 (Semantic Segmentation)
• 实例分割 (Instance Segmentation)
• 全景分割 (Panoptic Segmentation)

语义分割

语义分割 (Semantic Segmentation) 通过一系列的算法, 将图片分割成有一定语义的区块, 并对图片里的每一个像素给予一个正确的语义标签.

指标

混淆矩阵

混淆矩阵 (Confusion Matrix) 是以可视化矩阵的形式来表示算法的性能. 如图:

• 第一位 T/F: 表示预测的对错
• 第二位 P/N: 表示预测的结果
• 准确率 (Precision): TP / (TP + FP) 评估预测的准确性, 也就是混淆矩阵中的列
• 召回率 (Recall): TP / (TP + FN) 即查全率, 评估找的全不全, 也就是混淆矩阵中的行
• F1: (2 * Precision * Recall) / (Precision + Recall)

IOU

IOU (Intersection Over Union) 反应了预测位置和真实物位置的相似度.

IOU = 交集 / 并集:

Dice

Dice 系数 (Dice Coefficient) 是一种集合像素度度量函数, 通常用于计算两个样本的相似度, 取值范围在 [0,1].

Dice 系数其实就等于 IoU 分子分母各加了一个 AB 交集:


Dice 损失 = -log(Dice)

文章来源: iamarookie.blog.csdn.net，作者：我是小白呀，版权归原作者所有，如需转载，请联系作者。

原文链接：iamarookie.blog.csdn.net/article/details/120863173