[LAB 11 · 从 RGB 到像素：读出、FCN 与边界](/course/notebooks/9e268706471944e3a59e6f568f9ce9a3.html)

# 先预测采样结果，再判断指标名称
[独立阅读](/course/notebook-blocks/d1a5e426d75643fcb95866b2042b4f18.html)
按问题继续

前景/背景/mIoU口径、RGB到mask训练、FCN与1×1读出及边界

## 先预测采样结果，再判断指标名称

8×8 真值有 16 个前景、48 个背景。每个 2×2 小块求平均得到 4×4 覆盖率；最近邻扩大回 8×8，再以 ≥.5 二值化，会把半覆盖小块全部判前景，因此预测前景有 24 个像素。前景交集 16、并集 24，$IoU_{fg}=2/3$；背景交集 40、并集 48，$IoU_{bg}=5/6$。两类平均为 .75，8 个像素错，准确率为 .875。

双线性插值在四个邻近覆盖率之间加权，`align_corners=False` 明确规定坐标对应。它不凭空恢复原边界。本例阈值仍为 .5：双线性只有 6 个错误像素，像素准确率 .90625，却仍然得到前景 IoU=2/3；误差位置、前景集合大小变化会使不同指标给出不同读数。它的背景 IoU=.88462，两类 mIoU=.77564。不能把“更平滑”直接改写成“知道了真实轮廓”。

对 RGB 或 logits 的双线性插值可以混合实值。对类别 mask，编号 1、2 不是数轴上可平均的强度：几何变换应采用最近邻保持离散标签；ignore=255 也必须保持身份。下面的训练增强只水平翻转，对图像和 mask 执行同一个随机选择。