弱监督语义分割代码最终输出的是什么

原创已于 2024-01-08 20:16:11 修改 · 518 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能 #机器学习

于 2024-01-08 20:04:30 首次发布

本文介绍了一个使用Python计算多类别分类任务中假阳性和假阴性率的方法，通过混淆矩阵（confusionmatrix）的行和列求和，计算出IoU（IntersectionoverUnion），并分析除背景类别外的平均假阳性率和平均假阴性率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

    gtj = confusion.sum(axis=1)
    resj = confusion.sum(axis=0)
    gtjresj = np.diag(confusion)
    denominator = gtj + resj - gtjresj
    fp = 1. - gtj / denominator
    fn = 1. - resj / denominator
    iou = gtjresj / denominator
    print("total images", n_img)
    print(fp[0], fn[0])
    print(np.mean(fp[1:]), np.mean(fn[1:]))

输出结果分别对应

FP	FN
平均假阳性率	平均假阴性率

平均假阳性率（mean false positive
rate）是指在多个类别中，被错误地预测为正类的样本所占的比例的平均值。在这里，np.mean(fp[1:])表示除了第一个类别（背景）之外的所有类别的平均假阳性率。

平均假阴性率（mean false negative
rate）是指在多个类别中，被错误地预测为负类的样本所占的比例的平均值。在这里，np.mean(fn[1:])表示除了第一个类别之外的所有类别的平均假阴性率。