mean Intersection over Union(mIoU)의 이해 및 구현

Segmentation의 평가 기법 중 하나인 mIoU가 계산하고 있는지 잘 몰라서 그려봤어요.

표현식 1

$$
mIoU =\frac{1}{k}\sum_{i=1}^k\frac{N_{ii}}{\sum_{i=1}^k N_{ij} +\sum_{j=1}^k N_{ji} - N_{ii}}
$$

$N_{ij}달러: 모델은 정확한 클래스가 $i$i인 픽셀을 클래스 j의 수량

으로 분류합니다

$k$: 클래스 수

총결산

Acuracy의 이점

학급 편차가 있어도 불합리한 평가치가 되기 어렵다

예) Acuracy에서 거의 모든 픽셀이 1인 샘플은 모든 픽셀에서 1을 출력한 모델에서도 평가가 높아진다.

mIoU에서는 대략적인 카테고리를 평가해 평균적으로 적용하기 때문에 2의 라벨을 전혀 예측하지 못하면 대부분의 픽셀이 1이라도 평가치에 큰 영향을 미칠 수 있다.

이루어지다

import numpy as np
from sklearn.metrics import confusion_matrix

def mIoU(true: np.ndarray, pred: np.ndarray) -> float:
    """Calculate mIoU between 2 class label arrays

    Parameters
    ----------
    true : np.ndarray
        A 2d class label array
    pred : np.ndarray
        A 2d class label array of the same shape of true

    Return
    ------
    float
        mIoU
    """
    c_matrix = confusion_matrix(true.ravel(), pred.ravel())
    intersection = np.diag(c_matrix)
    union = np.sum(c_matrix, axis=0) + np.sum(c_matrix, axis=1) - intersection
    iou = intersection / union
    miou = np.mean(iou)
    return miou

# Test
true = np.zeros((5, 5))
true[1:3, 1:3] = 1
pred = np.zeros((5, 5))
pred[2:4, 2:4] = 1
assert mIoU(true, pred) == np.mean([1 / 7, (5 * 5 - 7) / (5 * 5 - 1)])
print("true")
print(true)
print("pred")
print(pred)
print("mIoU = %.2f" % mIoU(true, pred))

이해와 실시에 오류가 있다면 지적해 주십시오.

참고 자료

Intersection over Union (IoU) for object detection - PyImageSearch

5. 실천 편: MRI 이미지 분할 - 의료 AI 전공 과정 온라인 강의 자료 문서

5. 실천 편: MRI 이미지 분할 - 의료 AI 전공 과정 온라인 강의 자료 문서 인용↩