Exponenta Banner

semanticSegmentationMetrics

Семантические метрики качества сегментации

расширьте все на странице

Описание

Объект semanticSegmentationMetrics инкапсулирует семантические метрики качества сегментации для набора изображений.

Создание

Создайте объект semanticSegmentationMetrics с помощью функции evaluateSemanticSegmentation.

Свойства

развернуть все

Это свойство доступно только для чтения.

Матрица беспорядка, заданная как прямоугольный стол. Каждый табличный элемент (i, j) является количеством пикселей, которые, как известно, принадлежали, чтобы классифицировать i, но предсказанный, чтобы принадлежать, чтобы классифицировать j.

Это свойство доступно только для чтения.

Нормированная матрица беспорядка, заданная как прямоугольный стол. Каждый табличный элемент (i, j) является количеством пикселей, которые, как известно, принадлежали, чтобы классифицировать i, но предсказанный, чтобы принадлежать, чтобы классифицировать j, разделенный на общее количество пикселей, предсказанных в классе j. Элементы находятся в области значений [0, 1].

Это свойство доступно только для чтения.

Семантические метрики сегментации агрегированы по набору данных, заданному как таблица. DataSetMetrics содержит до пяти метрик, в зависимости от значения пары "имя-значение" 'Metrics', используемой с evaluateSemanticSegmentation:

  • GlobalAccuracy — Отношение правильно классифицированных пикселей к общим пикселям, независимо от класса.

  • MeanAccuracy — Отношение правильно классифицированных пикселей в каждом классе к общим пикселям, усредненным по всем классам. Значение равно среднему значению ClassMetrics.Accuracy.

  • MeanIoU — Среднее пересечение по объединению (IoU) всех классов. Значение равно среднему значению ClassMetrics.IoU.

  • WeightedIoU — Средний IoU всех классов, взвешенных количеством пикселей в классе.

  • MeanBFScore — Средний счет граничного F1 (BF) всех изображений. Значение равно среднему значению ImageMetrics.BFScore.

Это свойство доступно только для чтения.

Семантические метрики сегментации для каждого класса, заданного как таблица. ClassMetrics содержит до трех метрик для каждого класса, в зависимости от значения пары "имя-значение" 'Metrics', используемой с evaluateSemanticSegmentation:

  • Accuracy — Отношение правильно классифицированных пикселей в каждом классе к общему количеству пикселей, принадлежащих тому классу согласно наземной истине. Точность может быть выражена как:

    Accuracy = (TP + TN) / (TP + TN + FP + FN)

     ПоложительныйОтрицательный
    ПоложительныйTP: верный положительныйFN: ложное отрицание
    ОтрицательныйFp : положительная ложьTN: истинное отрицание

    TP: Истинные положительные стороны и FN являются количеством ложных отрицательных сторон.

  • IoU — Отношение правильно классифицированных пикселей к общему количеству пикселей, которые присвоены что класс наземной истиной и предиктором. IoU может быть выражен как:

    IoU = TP / (TP + FP + FN)

    Изображение описывает истинные положительные стороны (TP), ложные положительные стороны (FP) и ложные отрицательные стороны (FN).

  • MeanBFScore — Граничные F1 выигрывают за каждый класс, усредненный по всем изображениям.

Это свойство доступно только для чтения.

Семантические метрики сегментации для каждого изображения в наборе данных, заданном как таблица. ImageMetrics содержит до пяти метрик, в зависимости от значения пары "имя-значение" 'Metrics', используемой с evaluateSemanticSegmentation:

  • GlobalAccuracy — Отношение правильно классифицированных пикселей к общим пикселям, независимо от класса

  • MeanAccuracy — Отношение правильно классифицированных пикселей к общим пикселям, усредненным по всем классам в изображении

  • MeanIoU — Средний IoU всех классов в изображении

  • WeightedIoU — Средний IoU всех классов в изображении, взвешенном количеством пикселей в каждом классе

  • MeanBFScore — Средний счет BF каждого класса в изображении

Каждая метрика изображений возвращает вектор с одним элементом для каждого изображения в наборе данных. Порядок строк совпадает с порядком изображений, заданных объектами входа PixelLabelDatastore, представляющими набор данных.

Примеры

свернуть все

Этот пример использование:

Скрипт Open Live Script

Набор данных triangleImages имеет 100 тестовых изображений с заземляющими метками истины. Задайте местоположение набора данных.

dataSetDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages');

Задайте местоположение тестовых изображений.

testImagesDir = fullfile(dataSetDir,'testImages');

Задайте местоположение заземляющих меток истины.

testLabelsDir = fullfile(dataSetDir,'testLabels');

Создайте imageDatastore содержание тестовых изображений.

imds = imageDatastore(testImagesDir);

Задайте имена классов и их связанную метку IDs.

classNames = ["triangle","background"];
labelIDs   = [255 0];

Создайте pixelLabelDatastore содержание заземляющих пиксельных меток истины для тестовых изображений.

pxdsTruth = pixelLabelDatastore(testLabelsDir,classNames,labelIDs);

Загрузите семантическую сеть сегментации, которая была обучена на учебных изображениях noisyShapes.

net = load('triangleSegmentationNetwork');
net = net.net;

Запустите сеть на тестовых изображениях. Предсказанные метки записаны в диск во временной директории и возвращены как pixelLabelDatastore.

pxdsResults = semanticseg(imds,net,"WriteLocation",tempdir);
Running semantic segmentation network
-------------------------------------
* Processing 100 images.
* Progress: 100.00%

Оцените результаты прогноза против наземной истины.

metrics = evaluateSemanticSegmentation(pxdsResults,pxdsTruth);
Evaluating semantic segmentation results
---------------------------------------[==================================================] 100%
Elapsed time: 00:00:01
Estimated time remaining: 00:00:00
* Finalizing... Done.
* Data set metrics:

    GlobalAccuracy    MeanAccuracy    MeanIoU    WeightedIoU    MeanBFScore
    ______________    ____________    _______    ___________    ___________

       0.90624          0.95085       0.61588      0.87529        0.40652

Отобразите точность классификации, пересечение по объединению и контур F-1 счет к каждому классу.

metrics.ClassMetrics
ans=2×3 table
                  Accuracy      IoU      MeanBFScore
                  ________    _______    ___________

    triangle            1     0.33005     0.028664  
    background     0.9017      0.9017      0.78438

Смотрите также

| | |

Темы

Введенный в R2017b

Документация Computer Vision Toolbox
Поддержка