web-dev-qa-db-fra.com

Comment calculer le score IU moyen en segmentation d'image?

Comment calculer le score moyen IU (Intersection moyenne sur Union) comme dans le papier this ?

Long, Jonathan, Evan Shelhamer et Trevor Darrell. "Réseaux entièrement convolutifs pour la segmentation sémantique."

computer-visionimage-segmentationevaluation-strategy
18
hkcqr

Pour chaque classe Intersection over Union (IU) le score est:

vrai positif/(vrai positif + faux positif + faux négatif)

Le IU moyen est simplement la moyenne de toutes les classes.

Concernant la notation dans le papier:

  • n_cl: le nombre de classes
  • t_i: le nombre total de pixels dans la classe i

  • n_ij: nombre de pixels de la classe i prévu pour appartenir à la classe j . Donc pour la classe i :

    • n_ii: le nombre de pixels correctement classés (vrais positifs)
    • n_ij: le nombre de pixels mal classés (faux positifs)
    • n_ji: le nombre de pixels incorrectement non classés (faux négatifs)

Vous pouvez trouver le code matlab pour le calculer directement dans le Pascak DevKit ici

26
Miki
 from sklearn.metrics import confusion_matrix  
 import numpy as np

 def compute_iou(y_pred, y_true):
     # ytrue, ypred is a flatten vector
     y_pred = y_pred.flatten()
     y_true = y_true.flatten()
     current = confusion_matrix(y_true, y_pred, labels=[0, 1])
     # compute mean iou
     intersection = np.diag(current)
     ground_truth_set = current.sum(axis=1)
     predicted_set = current.sum(axis=0)
     union = ground_truth_set + predicted_set - intersection
     IoU = intersection / union.astype(np.float32)
     return np.mean(IoU)
12
Alex-zhai

Cela devrait aider

def computeIoU(y_pred_batch, y_true_batch):
    return np.mean(np.asarray([pixelAccuracy(y_pred_batch[i], y_true_batch[i]) for i in range(len(y_true_batch))])) 

def pixelAccuracy(y_pred, y_true):
    y_pred = np.argmax(np.reshape(y_pred,[N_CLASSES_Pascal,img_rows,img_cols]),axis=0)
    y_true = np.argmax(np.reshape(y_true,[N_CLASSES_Pascal,img_rows,img_cols]),axis=0)
    y_pred = y_pred * (y_true>0)

    return 1.0 * np.sum((y_pred==y_true)*(y_true>0)) /  np.sum(y_true>0)
2
stochastic_zeitgeist