在语义分割任务中，平均交并比（mIoU）是评估模型性能的核心指标。请详细说明 mIoU 的具体计算步骤，包括如何定义单个类别的交并比（IoU）以及如何在所有类别上取平均，并解释其数学表达式。
考察说明
考查候选人对语义分割评价指标 mIoU 的数学定义和计算流程的掌握程度。
回答思路
- 【回答框架 1】mIoU 定义为所有类别 IoU 的均值，而每个类别的 IoU 等于该类别真实标签和预测结果的交集区域像素数除以并集区域像素数，即 TP 除以 TP 加 FP 加 FN。
- 【回答框架 2】计算时先对每个类别分别统计混淆矩阵中的 TP、FP、FN，其中 TP 是该类别真实为正且预测为正的像素数，FP 是预测为正但真实为负的像素数，FN 是真实为正但预测为负的像素数，注意不把背景或忽略区域计入。
- 【回答框架 3】每个类别的 IoU 计算公式为 intersection 比上 union，等价于 TP 除以 TP 加 FP 加 FN。将所有类别的 IoU 求和后除以类别总数即得到 mIoU，这是逐类别平均，而非对像素整体平均。
- 【回答框架 4】实际实现中通常采用混淆矩阵累加所有像素的预测与真实类别，再按行和列计算。例如在 PyTorch 或 NumPy 中，可以预先计算每个类的 intersection 和 union 数组，然后相除得到 IoU 列表，最后取均值。
- 【回答框架 5】mIoU 能直观反映模型在不同类别上的分割重叠程度，值域为 0 到 1，越大越好。但要注意类别不平衡时，小类别的 IoU 可能被大类主导，可结合频权 IoU（FWIoU）或报告各类别 IoU 来分析。
- 【关键点 1】mIoU 等于每个类别交并比的平均值，用 TP/(TP+FP+FN) 计算。
- 【关键点 2】计算需基于像素级别的混淆矩阵，排除忽略标签（如 void）。
- 【关键点 3】逐类别平均而非整体像素平均，每个类别的权重相同。
- 【关键点 4】mIoU 与类别不平衡敏感，应结合每类 IoU 或频权 IoU 评估。
- 【关键点 5】实现时通常按类别累积 TP、FP、FN，再统一计算均值。
- 【易错点 1】容易把 mIoU 与像素准确率PA混淆，PA是正确像素占全部像素比例，未考虑每类性能。
- 【易错点 2】计算IoU时忘记排除混淆矩阵中忽略或未知类别，导致数值偏差。
- 【易错点 3】误用全局TP/FP/FN直接计算IoU，而非逐类别求和后平均，得到的是整体IoU而非mIoU。