语义分割任务常用的评价指标为Dice coefficient和mIoU。 dice和Iou都是衡量两个集合之间相似性的尺度，对于语义分割任务来说，都是用于评价网络预测的分割结果和人工标注结果之间的相似度。 接下来将分别介绍两者的区别和联系。
0 .在介绍二分类的评价指标语义分割评价指标之前，回顾了分类算法的评价指标、模糊矩阵、accuracy、precision和recall以及F1-score个指标。
混淆矩阵（confusion matrix)
如上图所示，包含了二分类的混淆矩阵和一个例子。 对于两个分类任务，可能存在以下四种情况：
指示一个样本被预测为正类且真标签为正类FN。 一个样本被预测为负示例，但指示真实标签是正示例FP。 一个样本为TN，指示预期为正范例，但真实标签被预期为负范例。 而且，如果真标签为负例，则上述4个标识的理解可以从右向左读取。 即，第一个表示预测结果，第二个字符表示预测是否正确。 示例： FP-如果第一个字符是p，预测结果是positive (正例)，第二个字符是f，说明预测错误，则实际标签应该是反例。
Accuracy (准确率)指示预测正确的样本数目在所有样本中所占的比率，具体表示为：
缺点：数据类别分布不均衡时，无法评价模型的好坏。
precision(precision )表示在模型预测为正例的所有样本中，预测正确(真标签为正)的样本所占的百分比。
“Recall (百分比)”指示所有真实标签为正的样本被预测的百分比
F1-score表示precision和recall的调和平均值，具体公式如下。
1 .作为语义分割评价指标的dice系数的概念理解dice系数是集合相似度测定函数，通常用于计算两个集合之间的相似度。 可取值的范围在【0，1】之间，函数公式如下。 (分子乘以2是为了确保分母反复计算后的取值范围在【0，1】之间) )。
IoU的定义：两个集合之间的交叉和集合之间的比。 函数表达式如下：
2 .语义分割与分类的关联和区别关联：语义分割任务本质上是分类任务的区别。 通常分类任务的对象是图像中的物体，语义分割的对象是图像中的像素点。 综上所述，语义分割的本质是分类，因此评价分割算法的好坏，其模糊矩阵的获取最为重要。
如下图所示，在某个图像中，假设72个像素点的区域标记为猫，70个像素点的区域标记为狗，通过网络推理得到结果，构建了以下混淆矩阵。 在此混淆矩阵分析的基础上，输入评价指标像素准确率（Pixel Accuracy, PA)，类别像素准确率（class Pixel Accuracy, CPA），类别平均像素准确率（MPA）和平均交并比（mIoU)分别进行分析
PA:像素精度是指预测正确的像素值相对于总像素值的比例(与分类中的精度对应)
计算公式：
CPA:类像素精度是指在预测为类I的所有像素点中，实际属于类I的像素点所占的比例(对应于分类的precision指标)
计算公式：
MPA )类别平均像素精度的含义)所有类别的像素精度之和的平均。
计算方法：首先求出各类别的像素精度，然后将它们合计平均。
IoU )交叉比的含义(某一类别的预测结果与实际标签的交叉和并集的比
上图所示公式：
MIoU )平均交叉比的含义)各类预测结果与实际标签的交叉与并集之比，合计再平均。
Dice系数基于上述Dice系数的定义，换算为模糊矩阵后可得到以下公式。
参考链接医学图像分割---Dice Loss -知乎(zhihu.com) https://zhi Hu.com/p/86704421词义分割的dice loss深度分析)梯度可视化)知乎) Zhu.com 269592183Dice系数(Dice coefficient )和mIoU和Dice Loss_lipengfei0427博客-CSDN博客_dice系数https://blog.csdn.net/lipengfei 04227