SegmentationMetric

SegmentationMetric.md

batch_pix_accuracy

def batch_pix_accuracy(output, target):
    """PixAcc"""
    # inputs are NDarray, output 4D, target 3D
    # the category -1 is ignored class, typically for background / boundary
    predict = np.argmax(output.asnumpy(), 1).astype('int64') + 1

    target = target.asnumpy().astype('int64') + 1

    pixel_labeled = np.sum(target > 0)
    pixel_correct = np.sum((predict == target)*(target > 0))

    assert pixel_correct <= pixel_labeled, "Correct area should be smaller than Labeled"
    return pixel_correct, pixel_labeled

1. output 这个是 Pred，是一个 N x C x H x W 的张量，target 是 label，是一个 N x H x W 的张量
2. pixel_labeled = np.sum(target > 0) 这句话的意思其实暗含了在 target 中的 ignore_label 要小于等于 -1 的负整数；因此其实是可以有多个 ignore_label 的，不管在 predict 中他们的 index 是多少，由于 target > 0 的存在，只要 target 中他们小于等于 0，就没关系；但是一定要把不是 ignore_label 的类别在 target 中设置成与 predict 中的这些 index 一致
4. np.argmax(output.asnumpy(), 1) 就是返回 C 上面最大值的 index，那么就是 0,1,2,3 这样的自然数（都非负），+ 1 后那就是 1, 2, 3, 4... 这里其实是将类别和 index 挂钩，强制类别必须是0,1,2,3...
5. target 的类别来自于 Dataset，但因为要和前面的 predict 中的类别判断是否相同，所以也强制规定了不是 ignore_label 的类别在 target 中设置成与 predict 中的这些 index 一致
6. 假设两类，target 中 背景是 -1，想要忽略掉，目标是 1，那么在 pixel_labeled = np.sum(target > 0) 中就只计算目标元素的个数，pixel_correct = np.sum((predict == target)*(target > 0)) 同样也只计算目标元素正确的个数

batch_intersection_union

def batch_intersection_union(output, target, nclass):
    """mIoU"""
    # inputs are NDarray, output 4D, target 3D
    # the category -1 is ignored class, typically for background / boundary
    mini = 1
    maxi = nclass
    nbins = nclass

1. 这里的 mini, maxi, nbins 都是用于下面的 np.histogram 函数中。
2. nbins = nclass，ignore label 是否要计入 nclass？如果是在 Net 的 Predictor 中，nclass 一定是包含 ignore label 的。但是在 Metric 的 batch_intersection_union 这里，area_inter 这些是只统计不是 ignore label 的类别。因此，在这里 ignore label 是不需要计入 nclass 的。如果前景背景二分类且要忽略背景的话，nclass 就是 1.
3. mini = 1 这里其实表示了不被 ignore 的 label 的最小的类号是要为 0（考虑到 predict 那里会有个类号 + 1），因此如果前景背景二分类且要忽略背景的话，比较合适的 Groundtruth Label 设置应该是背景为 -1，前景为 0. 但这里完全不对 predict 里面 不被忽略的最小的就是 2，对应在 Groundtruth Label 中前景应该为 1.

    # areas of intersection and union
    area_inter, _ = np.histogram(intersection, bins=nbins, range=(mini, maxi))
    area_pred, _ = np.histogram(predict, bins=nbins, range=(mini, maxi))
    area_lab, _ = np.histogram(target, bins=nbins, range=(mini, maxi))