解读混淆矩阵在语义分割FCN指标计算中的应用（含代码实现）

码农男孩

已于 2022-04-30 21:12:22 修改

阅读量3.4k

点赞数 10

分类专栏：深度学习图像分割文章标签：深度学习人工智能神经网络计算机视觉 FCN

于 2022-04-28 09:25:25 首次发布

本文链接：https://blog.youkuaiyun.com/m0_62128864/article/details/124461430

版权

本文详细介绍了混淆矩阵在语义分割FCN中的应用，包括概念解释、可视化展示，以及像素精度PA、均类像素精度MPA和IoU等关键指标的计算方法，通过实例深入理解其工作原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、混淆矩阵的概念

混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目：第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类，同理，第一行第二列的2表示有2个实际归属为第一类的实例被错误预测为第二类。

如有150个样本数据，预测为1,2,3类各为50个。分类结束后得到的混淆矩阵为：