语义分割评价方式

图像分割中通常使用许多标准来衡量算法的精度。这些标准通常是像素精度及loU的变种，以下我们将会介绍常用的几种逐像素标记的精度标准。为了便于解释，假设如下：共有k+1个类（从$L_0$到$L_k$，其中包含一个空类或背景），$p_{ij}$表示本属于类i但被预测为类j的像素数量。$p_{ii}$表示识别正确的样本数量，而$p_{ij}$和$p_{ji}$则为识别错误的样本数量。

Pixel Accuracy（PA，像素精度）

这是最简单的度量，为标记正确的像素占总像素的比例。

Mean Pixel Accuracy（MPA，均像素精度）

计算每个类别内被正确分类像素数的比例，之后求所有类的平均

Mean Intersection over Union（MloU，均交并比）

为语义分割的标准度量，计算两个集合的交集和并集之比。在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。每个类上计算loU，之后平均。

举个栗子，图像分割是不规则的边缘，简化下假设是矩形的边缘
考虑i=0时，为Dog的类别，A为预测框，B为真实标注框$p_{ii}$为图中绿色区域，当i=j=0时，预测值是Dog真实值也是Dog；
$p_{ji}$为图中A区域，当i=j=0时预测正确，指的是绿色区域。当i不等于j时预测错误，指的是蓝色区域；
$p_{ij}$为图中B区域，当i=j=0时预测正确，指的是绿色区域。当i不等于j时预测错误，指的是黄色区域。

Frequency Weighted Intersection over Union（FWloU，频权交并比）

是对MloU的改进，对每个类别按照重要性进行加权，重要性来自于其出现的频率

总结

在以上所有的度量标准中，MloU由于其简洁、代表性强而成为最常用的度量标准，大多数研究人员都使用该标准报告其结果。