tensorflow怎么写语义分割评价指标

Question

下的代码只有accuracy和miou两个指标，用的tf.contrib.metrics.streaming_
accuracy和_miou函数。由于，我的是二类分割任务，背景面积很大考虑背景不太好，所以我直接把accuracy改成了precision，miou改成了recall，代码运行没有问题，但是precision和recall运行了上千代还是0.1几，这是什么原因？？？

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这篇博客也许可以解决你的问题👉 ：树莓派调用tensorflow错误解决
• 除此之外, 这篇博客: 【Tensorflow】多分类问题的Precision、Recall和F1计算及Tensorflow实现中的 2.1 方法一：micro average 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  该方法的核心思想是将多个类别分组，真正关心的类别分为Positive组，其他分为Negative组。例如在命名实体识别任务中，将所有实体的类别分为Positive组，而其他标签’O’单独分为Negative组。下面以多分类的混淆矩阵(confuse matrix)为基础计算Precision、Recall和F1值。
  下图是多分类问题的混淆矩阵：
  
  其中，假设类别1和类别2是Positive组，类别3和类别4是Negative组。
  那么真正例(TP)可以定义为Positive组预测正确的样本数，那么下图红色框矩阵的对角线和(黄色单元格的和)即为真正例(TP)
  
  即TP=3+2=5

  TP+FP表示所有被预测为Positive的样本数，显然下图红框中所有数的和就是TP+FP
  
  即TP+FP=3+3+1+0+4+2+3+2=18

  TP+FN表示所有真实为Positive的样本数，显然下图蓝色框中所有数的和就是TP+FN
  
  即TP+FN=3+4+5+1+3+2+4+0=22

  因此

  Precision=TPTP+FP=518Precision = \frac{TP}{TP+FP} = \frac{5}{18}Precision=TP+FPTP​=185​

  Recall=TPTP+FN=522Recall = \frac{TP}{TP+FN} = \frac{5}{22}Recall=TP+FNTP​=225​

  F1=2PRP+R=14F1 = \frac{2PR}{P+R} = \frac{1}{4}F1=P+R2PR​=41​

  
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^