如何计算分割模型的准确性？答案

【问题标题】：how to calculate accuracy in segmentation model?如何计算分割模型的准确性？
【发布时间】：2023-03-05 21:10:02
【问题描述】：

我使用边界框技术评估分割模型。然后我将每个图像的 TP、FP、TN 和 FN 的值相加。总图像是 10（下表中的行号）。我需要计算这个模型的准确性。 精度方程=(TP+TN)/(TP+FP+FN+TN)

(TP+FP+FN+TN) 是总数。我对这里的总数混淆 ...（实际和预测

问题是：在这种情况下，Total Number 的值是多少？为什么？

imgNo TP    FP  TN  FN
   1    4   0   0   0
   2    6   1   1   0
   3    2   3   0   0
   4    1   1   1   0
   5    5   0   0   0
   6    3   1   0   0
   7    0   3   1   0
   8    1   0   0   0
   9    3   2   1   0
  10    4   1   1   0

感谢您的帮助。

【问题讨论】：

标签： image-processing computer-vision image-segmentation bounding-box

【解决方案1】：

TP ： True Positive 是您在图像中正确识别的对象数量。

FP : False Positive 是您识别的对象，但实际上这是一个错误，因为在 ground-truth 中没有这样的对象。

TN : 真负是指算法无法识别任何对象，而实际情况确实如此。即正确的否定识别。

FN : 假阴性是指您的算法未能识别对象（即，基本事实包含图像中的对象，但您的算法将其标记为背景）。换句话说，您错过了识别对象。在你的实验中它还是 0。

所以，TP+TN = True 病例总数。不要包含 FN，因为那是错误的检测。

【讨论】：

total 是预测数据还是地面实况数据的总和。我得到两个不同数量的总和。你能帮助我吗？我很困惑
Total (TP+FP+FN+TN) 用于计算所有 4 种可能性。只是一种数学方法。还有更多方法 - 取决于您的需要。请参阅维基百科上的接收器操作特性以获得更多想法 - en.wikipedia.org/wiki/Receiver_operating_characteristic
“分段部分的总和”是什么意思？它是某个列的总和吗？还是别的什么？当算法无法全部检测到时，算法分割中的行数可能少于ground-truth-segmentation。
好的，所以它是您正在谈论的列的总和。当算法无法全部检测到时，算法分割中的行数可能少于地面实况分割。在总共 2652 个边界框中，算法只能找到 2629 个框并且对于 (2652-2629)=22 个框失败。
是的，没错，Precision（有时也称为“accuracy”）= 在总预测中，有多少是正确的。召回=在正确的总案例中，有多少可以被正确识别。精度的分母是 TP+FP，而召回率的分母是 TP + FN

【解决方案2】：

您可以使用热图从逻辑回归中直观地分析您的系数。 roc_curve 返回假阳性和真阳性值。混淆矩阵返回 fp、tp、fn 和 fp 聚合。

fpr, tpr, threshholds = roc_curve(y_test,y_preds_proba_lr_df)

plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.show()

 accuracy=round(pipeline['lr'].score(X_train, y_train) * 100, 2)

 print("Model Accuracy={accuracy}".format(accuracy=accuracy))

 cm=confusion_matrix(y_test,predictions)

 sns.heatmap(cm,annot=True,fmt="g")

【讨论】：