語義分割，簡單地講就是給一張圖像，分割分出一個物體的准確輪廓。其實就是分類任務，而分類任務預測的結果往往就是一下四種：
- TP：True Positive
- FP：False Positive
- TN：True Negative
- FN：False Negative
其中，T/F表示預測與實際是否相符；P/N表示預測結果的正負。下面我們看一個具體的例子對這出現的四種情況進行分析：
由上圖可以看出，在這個語義分割的任務中，我們將$negative$表示為非物體標簽，即背景；$positive$表示有物體標簽。
從上圖中，我們可以清楚地看到白色斜線標記的是TN（預測中真實的背景部分）；紅色斜線標記的是FN（預測中被預測為背景，但實際上並不是背景的部分）;藍色斜線標記的是FP（預測中被預測為標簽的一部分，但實際上是背景的一部分）；中間的黃色框標記的是TP（預測是標簽，實際也是標簽，預測和實際相符合）。
Mean Intersection over Union（MIoU，均交並比）為語義分割的標准度量。其計算兩個集合的交集和並集之比，在語義分割問題中，這兩個集合為真實值（ground truth）和預測值（predicted segmentation）。這個比例可以變形為 TP（交集）比上 TP、FP、FN 之和（並集）。在每個類上計算 IoU，然后取平均。
MIoU = A∩B / A∪B = TP / (FP + FN + TP)
