面向极端不平衡白板笔画分割的边界度量评估协议

白板笔画的二进制分割受到极端类别不平衡的制约，笔画像素仅占图像平均值的 $1.79$，此外，细笔画子集平均为 $1.14$ 的前景。标准区域指标（F1、IoU）可能会掩盖细笔画失败，因为背景占主导地位。相比之下，加入边界感知指标和细子集公平性分析会改变损失函数的排序，暴露隐藏的权衡。我们贡献了一个评估协议，联合检验区域指标、边界指标（BF1、B-IoU）、核心/细子集公平性分析以及在种子化、多运行训练下的鲁棒性统计（中位数、IQR、最差情况）并进行非参数显著性检验。五种损失函数——交叉熵、focal、Dice、Dice+focal 和 Tversky——在 DeepLabV3-MobileNetV3 模型上进行三次训练，并在分为核心和细子集的 12 张保留图像上进行评估。重叠基于损失的改进在交叉熵上将 F1 提升超过 20 分（$0.663$ vs $0.438$，$p < 0.001$）。此外，边界指标确认该提升也适用于轮廓精度。自适应阈值和 Sauvola 二值化在原生分辨率下实现更高的平均 F1（Sauvola 为 $0.787$），但在最差情况下的表现显著更差（F1 $= 0.452$ vs $0.565$ for Tversky），暴露了一致性-准确性权衡：经典基线在平均 F1 上占优势，而学习模型在最差情况可靠性方面更好。提高训练分辨率可进一步提高 F1 约 12.7 分。