语义分割评估标准：
常用的就是：
global acc(有的地方叫PA)，mAcc（有的地方貌似叫MPA） ，mIoU
mIoU貌似用的是最最多的，很多论文在展示结果的时候都只个mIoU
下边这张图看不懂不用慌！
指标的计算方法（混淆矩阵）：
1.global acc：
2.mAcc
这五个值相加取平均就得到了mAcc
3.mIoU
同理这五个iou相加再取平均就得到了mIOU
总结：
实际意义：
miou越大代表你预测出来的分割区域越与真实的标签区域相重合（相似），你的模型越好，我觉得对于mean-acc差不多也是这个道理。
注意一点的是：有个令人混淆的地方，global acc也叫PA ，mAcc有的地方好像叫MPA，这两个貌似是有点不太一样
Global Acc（PA）是全局的，就一个，不分类别 。mAcc（MPA）先是有不同类别acc的然后所有类别求和取平均得到mAcc
就是比如一张图：
PA（global Acc）就是：所有正确的像素数(不管类别)/一张图所有的像素数
cla-acc =某个类别正确的数/这张图这个类的真实的像素的总数
cls-iou就是你预测的这个类分割出来的正确区域面积/预测的区域和实际的区域面积之和
以上是自己做的笔记自己看的，如果有错误的地方，非常非常欢迎大佬们指正！！
参考：
/Fk7u8
/video/BV1ev411P7dR/?spm_id_from=333.788.recommend_more_video.0
