Boundary IoU：图像分割新型指标 _误差

论文名称： IoU:- Image
作者：Bowen Cheng ， Ross ， Piotr Dollár ， C. Berg ，
Code：
IoU：图像分割新型指标
写在前面：
? 正如它的名字， IoU就是轮廓之间的IoU 。
? 重点为3.4节、5.1节以及附录中的 G d ∩ G G_d\cap G Gd?∩G ，其他基本都是对比实验。
看不见标号可以来这
摘要介绍相关指标
各种相关指标如下：
首先解释几个名词：
对称（）：GT（）和Pred（）的交换是否改变测量值
倾向（）：衡量方法是否偏向某一类型的预测。
不灵敏度（）：测量不太敏感的误差类型。
三分图（）：对给定图像的一种粗略划分将给定图像划分为前景、背景和待求未知区域。

文章插图
Mask-based ：考虑物体的所有像素
-based ：衡量预测边界的分割质量，不同于Mask-based ，该方法只评估边界及其邻近的像素。
d：边界窄带的像素宽度
通过分析各种相关指标的缺点，我们得出 IoU应该拥有的特性：同时考虑分类、定位和分割质量。
Mask IoU和Pixel
所有像素对指标的贡献都是相同的，而物体内部的像素呈二次型增长，其边界仅会线性增长，因此对较大物体的边界不够敏感。
Mask IoU计算方式示意图：

文章插图
IoU
基于边界的分割指标，其计算距离GT和pred边界d像素窄带内的IoU ，计算方式示意图如下（方便起见，简化为矩形且只显示边界部分）：

文章插图
需要注意分母的 G d ∩ G G_d\cap G Gd?∩G 。
F-最初被提出用于边缘检测，但它也被用于评价分割质量。在最初的公式中，使用二分图匹配来进行计算，对于高分辨率的图像来说计算成本很大；因此提出了一种允许重复匹配的近似算法，为pred轮廓中 \ 距离GT轮廓中像素 \ 在d个像素以内的 \ 像素 \ 所占pred的比例（已断句），同理。不是很理解，原文如下：
和计算方式示意图如下（可能）：

文章插图
IoU
IoU对大物体边界误差更加敏感，并且不会过分惩罚小物体。
直观上就是GT和Pred轮廓的交集除以并集，但是这里的轮廓是在对象内部的 G d 、 P d G_d、P_d Gd?、Pd? ，不包括在对象外面的部分，详细请看9.1 。
虽然看起来和 IoU很相似，但个人认为它是Mask IoU的边界升级版本，去除了对象内部巨量像素对整体的影响（见5.1Mask IoU的分析），使其拥有更优秀的性质。
完整的论文中给出的示意图如下：
我画的：

文章插图
敏感性分析
为了进行系统的比较，本文对GT进行处理形成伪预测，通过模拟不同的误差类型来尽可能的模拟真实误差类型。
尺度误差
通过对GT进行膨胀和腐蚀操作，误差严重程度由运算核半径控制。
边界定位误差

文章插图
将随机高斯噪声添加到GT上每一个多边形顶点的坐标上，误差严重程度由高斯噪声的标准差确定。