1 语义分割常用指标

（1）像素准确率（pixel accuracy, PA）：分割正确的像素总量除以像素总数。
（2）平均像素准确率（mean pixel accuracy, MPA）：对每个类计算PA，然后对所有类的PA求平均
（3）平均IOU（Mean Intersection over Union, MIOU ）：对每个类计算真值与预测值的交并比（IOU），然后对所有类别的IOU求平均值
（4）频权交并比（Frequency Weighted Intersection over Union， FWIoU）：对MIOU的改进，根据每个类出现的频率为其设置权重。

2 RGB-D语义分割数据库

（1）NYUDv2 dataset : 共有1449对密集标注的RGB-D图像，其中795对作为训练集，654对作为测试集，共40个类。
（2）SUN RGB-D dataset ：共10335对标注图像，5285对作为训练集， 5050对作为测试集， 共38个类。

3 结果汇总

	NYUDv2				SUN	RGB	-D
	PA	MPA	MIOU	FWIOU	PA	MPA	MIOU	FWIOU	训练尺寸	干网络	时间	发表于	备注
RedNet[1]	-	-	-	-	81.3	60.3	47.8	-	480x640	ResNet-50	2018	arxiv
RedNet[1]	-	-	-	-	81.3	60.3	47.8	-	480x640	ResNet-50	2018	arxiv
D-Refine-152[2]	74.1	59.5	47.0	-	80.8	58.9	46.3	-	-	resnet	2018	ICPR
SCN[3]	-	-	49.6	-	-	-	50.7	-		resnet152	2018	IEEE TRANSACTIONS ON CYBERNETICS
LS_deconvNet[4]	71.9	60.7	45.9	59.3	-	58.0		-	417 × 417	Deeplab	2017	CVPR2017

参考文献

---

1. RedNet: Residual Encoder-Decoder Network for indoor RGB-D Semantic Segmentation, 2018 ↩ ↩

2. Depth-assisted_RefineNet_for_Indoor_Semantic_Segmentation,2018 ↩

3. SCN: Switchable Context Network for Semantic Segmentation of RGB-D Images, 2018 ↩

4. Locality-Sensitive Deconvolution Networks with Gated Fusion for RGB-D Indoor Semantic Segmentation,2017 ↩