U-Net++结果评价

在图像分割任务中，最常用且核心的评价指标：​交并比​、Dice 系数和​像素准确率​。

1. 引言：为什么需要评价指标？

图像分割的目标是为图像中的每个像素分配一个类别标签。仅仅“看起来不错”是不够的，我们需要定量的指标来：

• ​客观比较​：公平地比较不同模型或同一模型不同版本的性能。
• ​指导优化​：在训练过程中，评价指标常作为损失函数的一部分，引导模型向正确的方向学习。
• ​判断实用性​：确定模型是否达到了实际应用场景的门槛。

其中，交并比​ 和Dice 系数​ 是衡量分割区域重叠度最主流的指标，而像素准确率则提供了一个最直观的整体正确率视角。

2. 交并比

交并比，是分割任务中最核心的评价指标，用于衡量预测分割区域与真实标注区域之间的重叠程度。

2.1 定义与公式

IoU 的核心思想是计算“交集”与“并集”的比值：

IOU = (预测区域 ∩ 真实区域) / (预测区域 ∪ 真实区域)

在像素级别上，它可以被计算为：

IoU = TP /