语义分割评价指标parameters

### 语义分割评估指标参数详解

#### 1. 混淆矩阵 (Confusion Matrix)

混淆矩阵是用于描述分类模型性能的重要工具之一。对于二元分类问题，它由四个主要部分组成：真正类(True Positives, TP)，假正类(False Positives, FP)，真负类(True Negatives, TN)，以及假负类(False Negatives, FN)[^1]。

from sklearn.metrics import confusion_matrix
import numpy as np

y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]

cm = confusion_matrix(y_true, y_pred)
print(cm)

#### 2. Pixel Accuracy

Pixel Accuracy是最简单的度量标准，表示预测正确的像素占总像素的比例。尽管易于理解和计算，但它未能充分反映不同类别之间的差异性。

\[ \text{Pixel Accuracy} = \frac{\sum_{i=0}^{C-1}{TP_i}}{\sum_{j=0}^{C-1}\left(TP_j + FP_j\right)} \]

其中 \( C \) 表示类别数量。

#### 3. Mean Intersection over Union (mIoU)

Mean IoU 是一种更全面衡量算法效果的方法，尤其适用于多标签或多分类场景下的表现评估。其定义如下：

\[ mIoU=\frac{1}{|C|}\sum _{c∈C}\frac{|X∩Y_c|}{|X∪Y_c|}, \]

这里 \( X \) 和 \( Y_c \) 分别代表地面真实情况和第 c 类别的预测结果集；\( |C| \) 则指代总的类别数目。

#### 4. Recall 或 True Positive Rate (TPR)

Recall也被称为灵敏度或查全率，在某些领域内还被叫做 TPR（True Positive Rate）。该比率反映了实际为正样本中被正确识别出来的比例[^2]。

\[ \text{Recall/TPR}= \frac {TP}{TP+FN} \]

#### 5. Precision

Precision即精确度，用来测量所有预测为阳性的实例中有多少确实是阳性案例。

\[ \text{Precision}= \frac {TP}{TP+FP} \]

#### 6. F1 Score

F1分数综合考虑了precision和recall两个方面的影响因素，通过调和平均的方式给出一个整体评分。

\[ F_1 = 2 * (\frac {\text{precision}*\text{recall}}{\text{precision}+\text{recall}} ) \]