evaluateSemanticSegmentation

评估对地面实况语义分割数据集

折叠所有页面

句法

SSM = evaluateSemanticSegmentation（dsResults，dsTruth）
SSM = evaluateSemanticSegmentation（dsResults，dsTruth，名称，值）

描述

例

SSM= evaluateSemanticSegmentation（dsResults，dsTruth）计算各种指标来评估语义分割结果的质量，dsResults，反对地面真理分割，dsTruth。

SSM= evaluateSemanticSegmentation（dsResults，dsTruth，名称,值）计算使用一个或多个语义分割度量名称,值配对参数来控制的评估。

例子

全部折叠

打开生活的脚本

通过计算对于每个类，每个图像，并且整个数据集的混淆矩阵和指标评价语义分割的结果。

执行语义分割

任一标签在一系列图像的每个像素作为对象或作为背景。本例使用triangleImages数据集，其具有三角形的与地面实况标签100个的测试图像。

定义数据集，测试图像和地面实况标签的位置。

dataSetDir = fullfile (toolboxdir ('视力'),'visiondata'，“triangleImages”）;testImagesDir =完整文件（dataSetDir，“testImages”）;testLabelsDir =完整文件（dataSetDir，'testLabels'）;

数据存储拿着测试图像创建的图像。

IMDS = imageDatastore（testImagesDir）;

定义类名称及其关联标签的ID。

类名= [“三角形”，“背景”]。labelIDs = [255 0];

数据存储保持地面实况像素标签测试图像创建像素标签。

pxdsTruth = pixelLabelDatastore（testLabelsDir，类名，labelIDs）;

加载经过训练的嘈杂形状的训练图像语义分割网络。

网=负载('triangleSegmentationNetwork'）;净= net.net;

在测试映像上运行网络。将预测的标签写入临时文件夹中的磁盘并以a的形式返回pixelLabelDatastore。

pxdsResults = semanticseg (imd,净,“WriteLocation”，TEMPDIR）;
运行的语义分割网络- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - * 100张图片处理。

计算混淆矩阵和细分指标

评估对基础事实的预测结果。默认情况下，evaluateSemanticSegmentation计算所有可用的度量，包括混淆矩阵、标准化混淆矩阵、数据集度量、类度量和图像度量。

指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth)
评价语义分割结果——*选择的指标:全局精度、类精度、IoU、加权IoU、BF评分。*处理了100张图像。*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
度量= semanticSegmentationMetrics与属性：混淆矩阵：[2×2表] NormalizedConfusionMatrix：[2×2表] DataSetMetrics：[1×5表] ClassMetrics：[2×3表] ImageMetrics：[100x5表]

探索的结果，显示分类精度，交叉过结合，和边界F-1的分数为每个类。这些值存储在ClassMetrics属性。此外，显示的归一化混淆矩阵。

metrics.ClassMetrics
ans =2×3表精度IOU MeanBFScore ________ _______ ___________三角形1 0.33005 0.028664背景0.9017 0.9017 0.78438
metrics.NormalizedConfusionMatrix
ans =2×2表三角形背景________ __________三角形1个0背景0.0983 0.9017

输入参数

全部折叠

从语义分割所得的预测像素标签，指定为数据存储或数据存储的对象的单元阵列。dsResults可以是返回分类图像的任何数据存储，例如PixelLabelDatastore要么pixelLabelImageDatastore。该读（dsResults)必须返回一个分类数组、单元格数组或表。如果读函数返回一个多列单元格数组或表，第二列必须包含分类数组。

地面真值像素标签，指定为数据存储或数据存储对象的单元数组。dsResults可以是返回分类图像的任何数据存储，例如PixelLabelDatastore要么pixelLabelImageDatastore。使用读（dsTruth)必须返回一个分类数组、单元格数组或表。如果读函数返回一个多列单元格数组或表，第二列必须包含分类数组。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。名称参数名和价值是对应的值。名称必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

例子:指标= evaluateSemanticSegmentation (pxdsResults pxdsTruth,“指标”,“bfscore”)只计算每个类，每个图像，并且整个数据集的平均值BF得分。

分割度量semanticSegmentationMetrics要计算，指定为逗号分隔的对“指标”和一个弦向量。参数中指定了哪些变量DataSetMetrics，ClassMetrics,ImageMetrics表来计算。ConfusionMatrix和NormalizedConfusionMatrix无论被计算的值的“指标”。

价值 描述 聚合数据集度量 图片公制 类指标
“所有” 评估所有语义分割指标。 所有的聚集数据集度量 所有图像指标 所有类指标
“准确性”

准确度表示为每个类正确识别像素的百分比。如果你想知道如何以及每类正确地识别像素，可以使用精度指标。

  • 对于每个类，准确性是正确分类像素在该类中的总像素数之比，根据该基础事实。换一种说法，

    准确度得分= TP /（TP + FN）

    TP是真阳性的数量和FN是假阴性的数量。

  • 对于聚集数据集，MeanAccuracy是平均准确性在所有图像的所有类。

  • 对于每一个图像，MeanAccuracy是平均准确性在这一特定图像的所有类。

类精度是一个类似于全局精度的简单度量，但是它可能会产生误导。例如，将所有像素标记为“car”，会给“car”类一个完美的分数(尽管对其他类不是这样)。使用类的准确性，在conjuction与IoU更完整的评估分割结果。

 MeanAccuracy MeanAccuracy 准确性
“bfscore”

边界F1（BF）轮廓匹配得分指示如何预测边界每个类对准与真正的边界。如果你想有一个指标，往往关联更好地与比欠条度量人的定性评估使用BF得分。

  • 对于每个类，MeanBFScore是该类所有图像的平均BF分数。

  • 对于每一个图像，MeanBFScore是该图像中所有类的平均BF分数。

  • 对于聚集数据集，MeanBFScore是平均BF记分在所有图像的所有类。

有关更多信息，请参见bfscore。

 MeanBFScore MeanBFScore MeanBFScore
“全球精确度”

GlobalAccuracy是正确分类的像素的，该比值无论类的，与像素的总数。如果你想正确分类像素的百分比的快速和廉价的计算估计使用全球准确性度量。

 GlobalAccuracy GlobalAccuracy 没有一个
“借据”

交叉点上接头（IOU），也被称为Jaccard相似系数，是最常用的度量。如果你想有一个统计精度测量的是惩罚误报使用欠条度量。

  • 对于每个类，期票是正确分类的像素的至地面实况的总数预测像素在该类的比率和。换一种说法，

    IoU分数= TP / (TP + FP + FN)

    图像描述了真阳性(TP)、假阳性(FP)和假阴性(FN)。

  • 对于每一个图像，MeanIoU是该图中所有班级的平均IoU分数。

  • 对于聚集数据集，MeanIoU是平均得分借条中的所有图像的所有类。

有关更多信息，请参见jaccard。

 MeanIoU MeanIoU 期票
“加权-IOU” 每个类的平均IOU，通过在类的像素的数目进行加权。使用本标准，如果图像有不成比例的大小班，以减少错误的小班总质量分数的影响。 WeightedIoU WeightedIoU 没有一个

例子:度量= evaluateSemanticSegmentation（pxdsResults，pxdsTruth， '指标'，[ “全球精度”， “IOU”]）计算数据集、图像和类的全局精度和IoU指标。

数据类型:串

标志在命令窗口显示评价进展信息，指定为逗号分隔的一对组成的“详细”,要么1（真正的)或0（假)。

显示的信息包括一个进度条，经过时间，估计的剩余时间，及数据集的度量。

例子:度量= evaluateSemanticSegmentation（pxdsResults，pxdsTruth， '冗长'，0）计算分割指标，但不显示进度信息。

数据类型:合乎逻辑

输出参数

全部折叠

语义分割度量，返回为semanticSegmentationMetrics宾语。

参考

[1] Csurka，G.，D. Larlus，和F. Perronnin。“什么是语义分割了很好的评价措施？”英国机器视觉会议记录， 2013，第32.1-32.11页。

扩展功能

也可以看看

职能

对象

主题

介绍了在R2017b

计算机视觉工具箱文件
万博1manbetx
介绍用MATLAB进行深度学习

介绍用MATLAB进行深度学习

下载电子书