手写IoU(u音标手写怎么写)

全栈程序员-用户IM • 2022年4月15日下午6:20 • 未分类

大家好，又见面了，我是你们的朋友全栈君。

IoU(Intersection over Union)

矩形框的IoU计算：

手写IoU(u音标手写怎么写)

矩阵T的左下角坐标 $(X_{0},Y_{0})$ ，右上角坐标 $(X_{1},Y_{1})$ ；

矩阵G的左下角坐标 $(A_{0},B_{0})$ ，右上角坐标 $(A_{1},B_{1})$ ；

$IoU = \frac{area(ROI_{T})\bigcap area(ROI_{G})}{S_{XY}+S_{AB}-area(ROI_{T})\bigcap area(ROI_{G})}$

在确定坐标的情况下， $S_{XY}$ 与 $S_{AB}$ 是可知的常量，所以，我们只需要求解 $area(ROI_{T})\bigcap area(ROI_{G})$ 即可。

这里我们先来看一下水平方向上的情况：

手写IoU(u音标手写怎么写)

从上述的三种情况中我们可以看出：

当有重叠或者是内含的情况时，我们可以通过 $W = min(X_{1},A_{1}) - max(X_{0},A_{0})$ 计算得到重叠部分的长度.

当满足第一种情况时，发现 W<=0 .

竖直方向上的处理方式类似，得到.

代码：

A:
左下角坐标(left_x,left_y)
右上角坐标(right_x,right_y)
B:
左下角坐标(left_x,left_y)
右上角坐标(right_x,right_y)

def IOU(rectangle A, rectangleB):
    W = min(A.right_x, B.right_x) - max(A.left_x, B.left_x)
    H = min(A.right_y, B.right_y) - max(A.left_y, B.left_y)
    if W <= 0 or H <= 0:
        return 0;
    SA = (A.right_x - A.left_x) * (A.right_y - A.left_y)
    SB = (B.right_x - B.left_x) * (B.right_y - B.left_y)
    cross = W * H
    return cross/(SA + SB - cross)

语义分割的IoU计算：

IoU一般都是基于类进行计算的，也有基于图片计算的。一定要看清数据集的评价标准。
基于类进行计算的IoU就是将每一类的IoU计算之后累加，再进行平均，得到的就是基于全局的评价，所以我们求的IoU其实是取了均值的IoU，也就是均交并比（mean IoU）

计算公式一样：

手写IoU(u音标手写怎么写)

先贴代码：

def compute_ious(pred, label, classes):
    '''computes iou for one ground truth mask and predicted mask'''
    ious = [] # 记录每一类的iou
    for c in classes:
        label_c = (label == c) # label_c为true/false矩阵
        pred_c = (pred == c)
        intersection = np.logical_and(pred_c, label_c).sum()
        union = np.logical_or(pred_c, label_c).sum()
        if union == 0:
            ious.append(float('nan'))  
        else
            ious.append(intersection / union)
    return np.nanmean(ious) #返回当前图片里所有类的mean iou

def compute_iou_batch(preds, labels, classes=None):
    '''computes mean iou for a batch of ground truth masks and predicted masks'''
    ious = []
    preds = np.copy(preds) # copy is imp
    labels = np.array(labels) # tensor to np
    for pred, label in zip(preds, labels): # iter one batch
        ious.append(compute_ious(pred, label, classes))
    iou = np.nanmean(ious) # mean iou of one batch
    return iou

基于类计算的IoU时，输入pred和label的size可以有多种形式：

假设原图大小为 $(256\times 1600)$ ，期望识别的目标有四种，label的形式是一张图片对应一份mask[0，1，2，3，4]，0代表背景类。则根据label生成的mask为 $(1\times256\times1600)$ ，这层mask的取值为0/1/2/3/4，则pred和label的大小都是 $(1\times256\times1600)$ ， classes=[1,2,3,4] ，这里忽略背景类 classes=[0] 的计算。此时，分别对class=1,2,3,4计算iou，并返回它们的均值。代码如上。

假设原图大小为 $(256\times 1600)$ ，期望识别的目标有四种，label的形式是一张图片对应四份二进制mask[0，1]，则根据label生成的mask为 $(4\times256\times1600)$ ，这四层mask的取值为0/1，则pred和label的大小都是 $(4\times256\times1600)$ ， classes=[1] 。此时，一起计算四类的iou，并返回。即上述代码中compute_ious里的ious只有一个值。（不要问我为什么要这样处理标签，做的一个比赛给的标签就是这样的orz…)

至于基于图片怎么计算IoU，暂时还没用到.

参考：语义分割的评价指标——IoU

两个矩形的交并比（IOU）

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/128817.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权正版激活】： 官方授权正版激活支持Jetbrains家族下所有IDE 使用个人JB账号...