本文主要是介绍浅谈语义分割、图像分类与目标检测中的TP、TN、FP、FN，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
语义分割
TP：正确地预测出了正类，即原本是正类，识别的也是正类
TN：正确地预测出了负类，即原本是负类，识别的也是负类
FP：错误地预测为了正类，即原本是负类，识别的是正类
FN：错误地预测为了负类，即原本是正类，识别成了负类
代码可见：一整套计算correct, labeled, inter, union, tp, fp, tn, fn的代码
目标检测
1. t＜x≤1 时情况，定义为真正例（True Positive，TP），说明如下：
在类别预测正确条件下，IoU大于设定阈值（同一个Ground True 只计算一次:一个GT只加速那一次TP，其他哪怕重合度高，置信度高，也只能算FP）。
如下图，cat0.85预测框。
2. 0≤x≤t 时情况，定义为假正例（False Positive，FP），说明如下：
在类别预测正确条件下， IoU小于设定阈值，同时包含了IoU=0，即预测框与真实框不相交的情况。（检测到同一个Ground True的多余检测框的数量。）简单说就是误检。
如下图，cat0.34预测框，不相交；cat0.46预测框IoU小于阈值。
3. 无法计算IoU的第一种情况，定义为假负例（False Negative，FN），说明如下：
有目标Ground True，但模型预测出此处是背景，没有输出检测框。简单说就是漏检。
如下图，左上角cat没有预测出框。
4. 无法计算IoU的第二种情况，定义为真负例（True Negative，TN），说明如下：
没有目标Ground True，模型预测出此处是背景，不输出预测框的情况。
这篇关于浅谈语义分割、图像分类与目标检测中的TP、TN、FP、FN的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
