语义分割模型评价指标

### 常见的语义分割模型评价指标

#### Dice系数
Dice系数是一种衡量两个样本集相似度的方法，在医学图像分析等领域广泛应用。对于二值化后的预测图和真实标签图，Dice系数定义如下：

\[ \text{Dice} = \frac{2|X \cap Y|}{|X| + |Y|} \]

其中 \( X \) 表示预测区域，\( Y \) 是真实的标记区域[^2]。

def dice_coefficient(pred, target):
    smooth = 1e-5
    
    intersection = (pred * target).sum()
    return (2. * intersection + smooth) / (pred.sum() + target.sum() + smooth)

#### 平均交并比(mIoU)

平均交并比（mean Intersection over Union）是另一个广泛使用的评估标准，尤其适合多类别分类任务。计算方式是对每一个类别的交并比求取平均值得到最终得分:

\[ mIOU=\frac{\sum_{c=1}^{C}\left(\frac{|P_c\bigcap G_c|}{|P_c\cup G_c|}\right)}{C} \]

这里 \( P_c \) 和 \( G_c \) 分别代表第 c 类的预测像素集合与地面实况像素集合。

import numpy as np

def mean_iou(pred, label, num_classes):
    ious = []
    pred = pred.flatten()
    label = label.flatten()

    for cls in range(num_classes):
        pred_inds = pred == cls
        target_inds = label == cls
        
        intersection = (pred_inds[target_inds]).long().sum().item()
        union = pred_inds.long().sum().item() + target_inds.long().sum().item() - intersection
        if union == 0:
            ious.append(float('nan'))  
        else:
            ious.append(intersection / max(union, 1))
    
    return np.nanmean(ious)

这些评价方法能够有效地帮助研究者们理解不同算法的表现差异，并指导后续改进方向[^3]。