Segmentation 개념 정리

1. Segmentation(1) - 개념 및 용어
2. Segmentation(2) - FCN
3. Segmentation(3) - U-Net
4. Segmentation(4) - DeepLab
5. Segmentation(5) - Metrics
6. Segmentation(7) - 최근 모델, Etc

---

Segmentation(5) - Metrics

✅Pixel Accuracy

• 분할된 픽셀 수(classified)를 전체 픽셀 수로 나눈 값
• $K+1$개의 클래스 ($K$는 foreground class-분할하고자 하는 물체의 수, $1$은 background-배경) 라고 가정할 때 수식은 아래와 같음

  $PA = \frac{\sum^{K}_{i=0}{p_{ii}}}{\sum^{K}_{i=0}\sum^{K}_{j=0}{p_{ij}}}$

• $p_{ij}$ = 클래스 $i$를 클래스 $j$로 예측 시 픽셀 수

✅MPA(Mean Pixel Accuracy)

• PA(Pixel Accuracy)의 확장 버전
• 클래스 마다 올바르게 prediction한 픽셀 수에 Ground Truth 픽셀 수를 나누어 PA 값을 구한뒤 클래스 수에 대하여 평균

  $MPA = \frac{1}{K+1}\sum^K_{i=0}\frac{p_{ii}}{\sum^K_{j=0}{p_{ij}}}$

✅IoU(Intersection over Union)

• IoU 또는 Jaccard Index
• Object detection에서 Ground Truth와 prediction Bbox 비교에도 사용
• 예측된 분할 mask와 Ground Truth 사이의 교차영역(Intersection)을 결합영역(Union)으로 나눈 값

  $IoU = J(A,B) = \frac{|A\cap B|}{|A\cup B|}$

✅Mean-IoU

• Mean-IoU는 모든 클래스에 대한 평균 IoU

  $MIoU = \frac{1}{K+1}\sum^K_{i=0}{IoU_i}$

✅Precision/Recall/F1 score

• $Precision = \frac{TP}{TP+FP}$, $Recall=\frac{TP}{TP+FN}$

Confusion Matrix

• F1 score는 Precision과 Recall의 조화평균

  $F1 score = \frac{2*Precision*Recall}{Precision+Recall}$

✅Dice coefficient

• Medical Image segmentation에서 주로 쓰이는 metric

  $DSC = \frac{2|X\cap Y|}{|X|+|Y|}$
  $Dice = \frac{2\times TP}{(TP+FP)+(TP+FN)}$

• Sørensen–Dice coefficient 라고도 하며, F1 Score와 개념상 같음
• 라벨링된 영역과 예측한 영역이 정확히 같다면 1, 그렇지 않을 경우 0

Dise score 예시

🖇️출처
https://go-hard.tistory.com/117
http://machinelearningkorea.com/2019/07/13/%ED%8F%89%EA%B0%80%EC%A7%80%ED%91%9C-dice/