# 0.667 是前景 IoU，0.75 才是本例两类 mIoU
[独立阅读](/course/blocks/mask-iou-worked-example.html)**课堂上下文：从哪个问题来**
比较增加输出格子与增加输入证据。最近邻和双线性只规定怎样利用现有数值；离散标签与连续 logits 的插值又不同。8×8 算例清楚给出前景 IoU、背景 IoU、mIoU 和像素准确率，避免同一个小数换四个名字。


已知 8×8 真值 mask：前景 16、背景 48。平均降到 4×4，再最近邻还原并以 ≥.5 阈值化后，预测前景 24，其中 16 个正确、8 个误把背景当成前景；没有漏掉真前景。因此 TP=16、FP=8、FN=0、TN=40。



| 口径 | 分子与分母 | 结果 |
| --- | --- | --- |
| 前景 IoU | 16/(16+8+0) | 2/3 |
| 背景 IoU | 40/(40+0+8) | 5/6 |
| 两类 mIoU，含背景 | (2/3+5/6)/2 | .75 |
| 像素准确率 | (16+40)/64 | .875 |



这个过程的输入就是已知 mask，因此它隔离的是采样与阈值，不是看 RGB 图像做分割。当前 LAB11 已将名称修正，并保留最近邻与双线性两个分支。双线性分支的两类 mIoU 为 .77564，前景 IoU 仍为 2/3；平滑改变的是错误的位置和类别组成，不是自动保证每项指标都变好。



读一项 mIoU 时至少应知道平均哪些类、是否含背景、空并集怎样处理，以及先累计整份混淆矩阵还是逐图计算再平均。这些口径会改变数字；具体口径比多显示小数位更重要。


## 继续阅读与实验