semanticSegmentationMetrics

Метрики качества семантической сегментации

расширьте все на странице

Описание

semanticSegmentationMetrics объект инкапсулирует метрики качества семантической сегментации для набора изображений.

Создание

Создайте semanticSegmentationMetrics объект с помощью evaluateSemanticSegmentation функция.

Свойства

развернуть все

Это свойство доступно только для чтения.

Матрица беспорядка в виде прямоугольного стола. Каждым табличным элементом (i, j) является количество пикселей, которые, как известно, принадлежали, чтобы классифицировать i, но предсказанный, чтобы принадлежать, чтобы классифицировать j.

Это свойство доступно только для чтения.

Нормированная матрица беспорядка в виде прямоугольного стола. Каждым табличным элементом (i, j) является количество 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.

Метрики семантической сегментации, агрегированные по набору данных в виде таблицы. DataSetMetrics содержит до пяти метрик, в зависимости от значения 'Metrics' пара "имя-значение" используется 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.

Метрики семантической сегментации для каждого класса в виде таблицы. ClassMetrics содержит до трех метрик для каждого класса, в зависимости от значения 'Metrics' пара "имя-значение" используется с evaluateSemanticSegmentation:

  • Accuracy — Отношение правильно классифицированных пикселей в каждом классе к общему количеству пикселей, принадлежащих тому классу согласно основной 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 основной 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.

Метрики семантической сегментации для каждого изображения в наборе данных в виде таблицы. ImageMetrics содержит до пяти метрик, в зависимости от значения 'Metrics' пара "имя-значение" используется 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 входом PixelLabelDatastore объекты, представляющие набор данных.

Примеры

свернуть все

Этот пример использует:

Скрипт Open Live Script

triangleImages набор данных имеет 100 тестовых изображений с метками основной истины. Задайте местоположение набора данных.

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

Задайте местоположение тестовых изображений.

testImagesDir = fullfile(dataSetDir,'testImages');

Задайте местоположение меток основной 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 пиксельных меток основной истины для тестовых изображений.

pxdsTruth = pixelLabelDatastore(testLabelsDir,classNames,labelIDs);

Загрузите сеть семантической 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
-------------------------------------
* Processed 100 images.

Оцените результаты предсказания против основной истины.

metrics = evaluateSemanticSegmentation(pxdsResults,pxdsTruth);
Evaluating semantic segmentation results
----------------------------------------
* Selected metrics: global accuracy, class accuracy, IoU, weighted IoU, BF score.
* Processed 100 images.
* 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
Для просмотра документации необходимо авторизоваться на сайте