显著性目标检测模型评价指标 之 平均绝对误差(MAE)原理与实现代码

目录

一、显著性目标检测简介

显著性目标(Salient Object)：

当我们在看一张图片时，注意力首先会落在我们所感兴趣的物体部分。比如我们看到一张画有羊吃草的图像时，我们一般会先注意草坪上的羊，而不是羊的背景，所以我们把该图中的羊就定义为图像的显著性目标。

显著性目标检测(Salient Object Detection)：

即让计算机学会跟人类一样，自动检测并提取输入图像中的显著性目标。

评价指标(Evaluation Metrics)：

显著性目标检测算法常用的评价指标有：平均绝对误差(Mean Absolute Error, MAE)，PR曲线(Precision-Recall curves)以及F度量值(F-measure)。

这些度量指标我会依次介绍并编程实现，在本篇博客中，主角是平均绝对误差(Mean Absolute Error, MAE)。

二、Mean Absolute Error(MAE) 原理

MAE就是直接计算模型输出的显著性图谱与Ground-truth 之间的平均绝对误差，首先将两者进行二值化，然后用下面的公式进行计算 [1]。

$MAE=\dfrac{1}{W\times H}\sum^{W}_{x=1}\sum^{H}_{y=1}| \overline{S}(x,y)-\overline{G}(x,y) |$

三、 Matlab代码

function [MAE]=MAE_computating
%本程序的功能是对显著性特征提取的结果计算Mean absolute error(MAE)值。
%by [email protected]
clc
clear
imnames=dir(path_output);  
imnames2=dir(path_Targets);  
num=length(imnames);
MAES=zeros(num,1);
for j=1:num
    Target=imread(imnames2(j).name); %读图
    target=(Target)>0;        %二值化
    Output=imread(imnames(j).name);
    output=(Output)>0;
    dis=abs(target-output);
    MAES(j,1)=mean(mean(mean(dis)));
end
MAE=mean(MAES) 

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

参考文献

[1]: A. Borji, M.-M. Cheng, H. Jiang, and J. Li. Salient object detection: A benchmark. IEEE TIP, 24(12):5706–5722, 2015.