Boundary IoU：改进以物体为中心的图像分割评估
计算机视觉与模式识别
2021-03-31 v1
摘要
我们提出 Boundary IoU（交并比），一种聚焦于边界质量的新分割评估度量。我们在不同错误类型和物体尺寸上进行了广泛分析，表明相较于标准的 Mask IoU 度量，Boundary IoU 对大物体的边界错误显著更敏感，且不会对小物体上的错误过度惩罚。这一新质量度量展现出若干理想特性，如关于预测/真值对的对称性以及跨尺度的均衡响应性，这使其比其他以边界为中心的度量（如 Trimap IoU 和 F-measure）更适合用于分割评估。基于 Boundary IoU，我们分别通过提出 Boundary AP（平均精度）和 Boundary PQ（全景质量）度量，更新了实例分割与全景分割任务的标准评估协议。我们的实验表明，新评估度量能够追踪当前基于 Mask IoU 的评估度量通常忽视的边界质量改进。我们希望新边界敏感评估度量的采用能推动提升边界质量的分割方法的快速进展。
引用
@article{arxiv.2103.16562,
title = {Boundary IoU: Improving Object-Centric Image Segmentation Evaluation},
author = {Bowen Cheng and Ross Girshick and Piotr Dollár and Alexander C. Berg and Alexander Kirillov},
journal= {arXiv preprint arXiv:2103.16562},
year = {2021}
}
备注
CVPR 2021, project page: https://bowenc0221.github.io/boundary-iou