語義分割目前在自動駕駛場景解析、醫學影象分割等多個領域被廣泛應用，簡言之，是對每個畫素進行分類。
目前語義分割中最常用的評價指標是平均交並比 （mean inetersection over union， 簡稱miou）（這個最常用） 和 畫素準確率 （pixel accuracy， 簡稱pa），在主流的期刊、會議**中被作為方法驗證的主要評價指標。在介紹這兩個評價指標之前，先簡單介紹一下混淆矩陣，因為這兩種指標都是建立在混淆矩陣的基礎上得到的。
對於以下指標，我們假設共有k+1類，（從l
0l_0
l0到l
kl_k
lk，包括乙個空類或者是背景），pij
p_pi
j是本屬於第i
ii類卻被分到第j
jj類的畫素數量，pii
p_pi
i代表的是分類正確的正例數量，其他幾個p
pp值類似。
畫素準確率的計算公式為：
計算的是正確分類的畫素數量與所有畫素數量的比值，
用混淆矩陣表示即：
$pa = （tp + tn）/（tp + fp + tn + fn） $
畫素準確率平均值（mpa）：表示正確分類畫素的比例是按類計算的，最終由類總數取平均。
這是用於分割問題的標準評價指標，其計算的是兩個集合的交集與其並集的重合比例，在本問題中，其計算的便是真實分割與系統**的分割之間的交並比。這個比例可以被重新定義為真實正例（交集）的數量除以總數量（包括真實正例、錯誤負例、以及錯誤正例（並集））。iou也是按類計算最後取平均。
利用混淆矩陣表示：
m io
u=(t
p)/(
tp+f
p+fn
)miou = (tp)/(tp+fp+fn)
miou=(
tp)/
(tp+
fp+f
n)頻率加權交並比（fwiou）：是對miou的改進，對每個類別按照重要性進行加權，重要性來自於其出現的頻率。
語義分割綜述
目前語義分割的流行框架可以分為前端 後端。前端採用fcn定位不同類別的物體，後端採用rf crf mrf 精確定位物體邊界。也就是說，前端解決 是什麼 what 後端解決 在 where 可以把語義分割網路分為兩類 以fcn為代表的編解碼器 encode decode 網路 以deeplab為代表的...
語義分割概述
影象語義分割 一 影象語義分割含義及原理 含義 對分割後的影象加上語義標籤 用不同的顏色代表不同類別的物體 就是給分割後影象中的每一類物體加上標籤，輸入一般是彩色深度 rgb d 影象。要求 1 分割得到的不同區域內部平整，其紋理和灰度有相似性 2 相鄰語義分割區域對分割所依據的性質有明顯的差異 3...
語義分割概述
本文大多來自方便讀 使用 影象語義分割 semantic segmentation 從字面意思上理解就是讓計算機根據影象的語義來進行分割，例如讓計算機在輸入下面左圖的情況下，能夠輸出右圖。語義在語音識別中指的是語音的意思，在影象領域，語義指的是影象的內容，對意思的理解，並對不同部分進行標註，圖中紅色...