显著性目标检测模型评价指标（一）——平均绝对误差：Mean Absolute Error(MAE)

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

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)：

显著性目标检测(Salient Object Detection)：

评价指标(Evaluation Metrics)：

二、Mean Absolute Error(MAE) 原理

三、 Matlab代码

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

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-Recal
dbbd
l 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=1W×H∑Wx=1∑Hy=1|S¯¯¯(x,y)−G¯¯¯¯(x,y)|MAE=1W×H∑x=1W∑y=1H|S¯(x,y)−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 HanLe
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.