如何计算深度学习语义分割中的TN指标？

在语义分割任务中，我们经常使用Dice系数、Jaccard指数等指标来评估模型性能。然而，在某些情况下，我们也需要计算TN（真负例）指标。

TN表示模型正确预测为负例的样本数量。在二分类问题中，这很容易计算。但在多类别语义分割中，我们需要对每个类别分别计算TN。

以下代码段展示了如何在PyTorch中计算TN：pythondef eval_net(net, dataset, slicetotal, batch_size=12, gpu=True): '''Evaluation without the densecrf with the dice coefficient'''

net.eval()    start = time.time()    dice_ = torch.zeros(14).cuda()    jac_ = torch.zeros(14).cuda()    NE = torch.zeros(14).cuda()    JNE = torch.zeros(14).cuda()

accuracy_ = torch.zeros(14).cuda()    precision_ = torch.zeros(14).cuda()    recall_ = torch.zeros(14).cuda()    specificity_ = torch.zeros(14).cuda()

# 初始化 TN     TN = torch.zeros(14).cuda()

print(1)    with torch.no_grad():        for i, b in enumerate(batch(dataset, batch_size)):

        imgs = np.array([k[0] for k in b]).astype(np.float32)            true_masks = np.array([k[1] for k in b])

        imgs = torch.from_numpy(imgs)            imgs = imgs.unsqueeze(1)            true_masks = torch.from_numpy(true_masks)

        pre_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)            true_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)            batchshape = true_masks.shape[0]

        batch_dice = torch.zeros(14).cuda()            if gpu:                imgs = imgs.cuda()                true_masks = true_masks.cuda()                net.cuda()

        output_img = net(imgs)            input = output_img.cuda()            pre_masks = input.max(1)[1].float() #索引代表像素所属类别的数字            for ak in range(14):                if ak == 0:                    continue                pre_masks_eval[:,ak] = (pre_masks==ak)                true_masks_eval[:,ak] = (true_masks==ak)                premasks = pre_masks_eval[:,ak].view(true_masks.shape[0],-1)                truemasks = true_masks_eval[:,ak].view(true_masks.shape[0],-1)

            intersection = premasks * truemasks                TP = intersection.sum(1)                FP = premasks.sum(1) - TP                FN = truemasks.sum(1) - TP

            # 计算 TN                for bk in range(true_masks.shape[0]):                    if TP[bk] == 0 and FP[bk] == 0 and FN[bk] == 0:                        TN[ak] += 1                        NE[ak] += 1                        JNE[ak] += 1                    else:                        batch_dice[ak] = batch_dice[ak] + 2*TP[bk] / (2*TP[bk] + FP[bk] + FN[bk])                        jac_[ak] = jac_[ak] + TP[bk] / (TP[bk] + FP[bk] + FN[bk])

        dice_ = dice_ + batch_dice

    for knum in range(14):            dice_[knum] = dice_[knum] / (slicetotal - NE[knum])            jac_[knum] = jac_[knum] / (slicetotal - JNE[knum])    end = time.time()    print('time used:',end - start)

return dice_,jac_

在这段代码中：

我们首先初始化一个大小为类别数的 TN 张量。2. 在计算 TP、FP 和 FN 后，我们添加一个条件语句来检查是否满足 TN 的条件（TP、FP 和 FN 都为 0）。3. 如果满足条件，则将对应类别的 TN 值加 1。

通过这种方式，我们可以计算语义分割任务中每个类别的 TN。这对于更全面地了解模型性能非常有用，尤其是在类别不平衡的情况下。