score op• 데이터 종류: labels2d × labels2d → table
• 호출: import fullseye as fs; fs.ledger.seg_confusion_table(labels_pred, labels_true, *, background: 'int' = 0) -> 'Dict[str, object]'(구현을 직접 호출하려면 import segeval; segeval.seg_confusion_table(labels_pred, labels_true, *, background: 'int' = 0) -> 'Dict[str, object]', 원장에서 가져오려면 opssegmentation.get("seg_confusion_table"))
레이블 대응 혼동표(행 = 참값, 열 = 예측)와 최대 중첩 매칭·일대일(유일성) 표시(seg_confusion_table).
> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.
`table[i, j] = 真のラベル labels_true[i] と予測のラベル labels_pred[j]` を同時に持つ画素数。
対応は 最大重なり: 真 i の相手 = 背景でない列のうち `table[i, :] が最大の列(pred_of_true`、ラベル値、無ければ −1)、
予測 j の相手 = 背景でない行のうち最大の行(`true_of_pred)。mutual_true[i]` = 真 i の相手が真 i を選び返す、
`mutual_pred[j] も同様。claims[j] = 予測 j を相手に選んだ真の数。unique_matching` = 背景でない行・列がすべて相互に
選び合う(= 1 対 1 の全単射)。背景の行・列は表には残り、対応からは外す。
Hungarian(総和最大の割当)でなく argmax なので、1 つの大きな予測を複数の真が選ぶことがある —— それが `claims` ≥ 2 の印。
返り値: `table、labels_true / labels_pred(行・列のラベル値)、row_sums / col_sums、pred_of_true` /
`true_of_pred、mutual_true / mutual_pred、claims、unique_matching、n_true / n_pred(背景を除く個数)、n`。
• segmentation_scoring_and_worlds — 分割の採点と真値つき合成世界 — どの物差しがどの壊れ方に盲目か
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• (아직 없음)
table 를 입력으로 받는 것)score)seg_dice_jaccard · seg_boundary_f · seg_hausdorff · seg_mean_surface_distance · seg_under_over_segmentation · seg_object_counts_match · seg_score_card
*Provenance: segeval.py — SEGMENTATION 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.