当缺少类时，在 PyTorch 中计算平均 IoU 的正确方法是什么？

Question

我的用例与此示例几乎相同：

from torchmetrics import JaccardIndex
import torch

pred = torch.tensor([1, 2, 19, 17, 17])
target = torch.tensor([1, 2, 3, 17, 4])

jaccard = JaccardIndex(num_classes=21)

jaccard(pred, pred)
Out: tensor([0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.,
        0., 1., 0.])

当存在不存在的类时，如何正确计算 pred 和 target 之间的 mIoU？换句话说，我不希望它简单地将零分配给测试数据集中不存在的类。此外，只有当它确实是一个错误的预测时，我们才需要考虑零，而不是一个缺席的类。

Answer 1

您可以在此处使用 DeepLabV3Plus 指标类。

    metric = StreamSegMetrics(n_classes)
    for batch_idx, _ in enumerate(self.loader_val.Loader):
        metric.update(label_trues, label_preds) # update every iterations

    metrics_out = metric.get_results()