PSPNet miou

PSPNet 模型中的 mIoU 评估指标
在语义分割领域，评价模型性能的一个重要标准是平均交并比（Mean Intersection over Union, mIoU）。对于PSPNet而言，这一度量方法同样适用。mIoU计算方式为各类别预测结果与真实标签之间交集区域除以并集区域之和再取均值[^1]。
具体到PSPNet的设计理念上，该网络通过金字塔池化模块(Pyramid Scene Parsing module)有效地捕捉到了不同尺度下的空间信息，在多个公开数据集上的实验表明这种设计显著提升了最终的mIoU得分[^3]。此改进使得PSPNet能够在处理复杂场景时获得更精确的对象边界定位能力以及更好的整体分类效果。
尽管EncNet引入了上下文编码模块来增强对全局背景的理解，并可能进一步提高某些特定任务下的表现[^2]；然而就原始提出的PSPNet架构本身来说，其主要贡献在于利用多层次感受野聚合机制改善了传统CNN结构中存在的局部偏差问题，从而实现了更高的mIoU数值。
def calculate_miou(pred_mask, true_mask, num_classes):
ious = []
pred_mask = np.asarray(pred_mask).astype(np.int32).copy()
true_mask = np.asarray(true_mask).astype(np.int32).copy()

for cls in range(1, num_classes): # 跳过背景类0
pred_inds = pred_mask == cls
target_inds = true_mask == cls

intersection = (pred_inds & target_inds).sum()
union = (pred_inds | target_inds).sum()

if union > 0:
ious.append(float(intersection) / float(union))

miou = sum(ious)/len(ious) if len(ious)>0 else 0

return miou