图像分割是计算机视觉中的核心任务，其评估指标直接影响模型性能分析。以下是常用分割指标及其说明：

1. Dice系数（Dice Coefficient）

用于衡量两个集合的相似度，公式为：
$$ Dice = \frac{2 \times |X \cap Y|}{|X| + |Y|} $$

  • 优点：对类别不平衡敏感，适合小样本场景
  • 缺点：无法区分重叠区域与背景
Dice_Coefficient

2. IoU（Intersection over Union）

计算预测区域与真实区域的交并比，公式为：
$$ IoU = \frac{|X \cap Y|}{|X \cup Y|} $$

  • 应用场景：目标检测、实例分割
  • 改进版本：GIoU、DIoU 等更精细的度量方式
Intersection_over_Union

3. Precision & Recall

  • Precision：预测为正的样本中实际正确的比例
  • Recall：实际为正的样本中被正确预测的比例
  • 结合指标：F1 Score = 2 × (Precision × Recall) / (Precision + Recall)
Precision_Recall

4. Accuracy

  • 定义：正确预测样本数占总样本数的比例
  • 局限性：在类别分布不均时可能产生误导
Accuracy_Metric

5. 其他指标

  • Confusion Matrix：混淆矩阵分析
  • Pixel-wise Accuracy：像素级准确率
  • Mean IU：平均交并比（适用于多类别分割）

需要深入了解分割原理可访问：/[cv_tutorials/segmentation_tutorial]
🎯 指标选择需结合具体任务需求，建议优先使用 Dice 系数或 IoU 进行评估