超越 mAP：面向更好的实例分割评估
计算机视觉与模式识别
2023-03-21 v2 机器学习
摘要
实例分割的正确性包括统计物体数量、正确定位所有预测以及对每个定位预测进行分类。平均精度是用于衡量分割所有这些组成部分的事实标准度量。然而，该度量在高召回率范围内不惩罚重复预测，且无法区分定位正确但分类错误的实例。这一弱点无意中导致了网络设计在 AP 上取得显著增益的同时引入大量假阳性。因此，我们不能依赖 AP 来选择在假阳性与高召回率之间提供最优权衡的模型。为解决这一困境，我们回顾文献中的替代度量，并提出两种新度量来显式衡量空间与类别重复预测的数量。我们还提出一个语义排序与 NMS 模块，基于像素占用匹配方案来去除这些重复项。实验表明，现代分割网络在 AP 上有显著增益，但也包含相当数量的重复项。我们的语义排序与 NMS 可作为即插即用模块添加，以缓解保守预测并保持 AP。
引用
@article{arxiv.2207.01614,
title = {Beyond mAP: Towards better evaluation of instance segmentation},
author = {Rohit Jena and Lukas Zhornyak and Nehal Doiphode and Pratik Chaudhari and Vivek Buch and James Gee and Jianbo Shi},
journal= {arXiv preprint arXiv:2207.01614},
year = {2023}
}
备注
Accepted at CVPR 2023