Boundary IoU：图像分割新型指标( 三 ) _误差

文章插图
此外，对于较小的对象， IoU十分接近甚至等价于Mask IoU ，这主要取决于参数d 。
Mask IoU vsIoU：敏感性分析
本文对比了Mask IoU和 IoU在面积大于 9 6 2 96^2 962的物体的不同误差类型下的表现：
对于每种误差类型， IoU都能更好的利用0-1的范围
使用的固定的误差严重程度，对大小不同的对象使用伪预测，以 1 6 2 16^2 162为增量划分区域，二者表现如下：
可以看到：
IoU vsIoU
二者具有一定的相似性， IoU将Pred和GT边缘上的像素都考虑了进来，这个简单的改进改变了 IoU两点不足，一是不对称，二见4.2 。
IoU vs F-
F-对轮廓之间使用了硬预测——如果轮廓之间的像素在距离d内那么和都是完美的，然而当它们都位于d之外，则不会发生任何匹配（见4.3 ，其值会很快的降为0）。
而 IoU使用一种软分割，变化平缓。
在附录中将会进行详细分析。
像素距离参数d
上文提过，当d足够大时， IoU等价于Mask IoU ，当d过小， IoU则会出现严重惩罚的情况。
为了选择合适的参数d ，本文在COCO和两个数据集（它们拥有相似的分辨率）上进行实验，发现当d为图像**对角线的2%（大约为15个像素）**时，两数据集的 IoU的中位数超过0.9 。
对于中更大分辨率的图像，作者也建议使用相同的像素距离（15个左右），设置d为对角线的0.5%
对于其他数据集，作者建议考虑两个因素（没看懂：
将注释一致性将下界设为dD应根据当前方法的性能选择，并随着性能的提高而降低。IoU的局限
IoU不评估距离轮廓超过d的像素，例如一个圆形Mask和一个环形Mask：
显然，其 Iou值极高为1
为了惩罚这种情况，作者建议组合 IoU和Mask IoU ，并取他们的最小值。
此外，在实验中还发现， 99.9%的情况 IoU都是小于等于Mask IoU的，极少数情况如上图会出现 IoU大于Mask IoU 。
应用
如上文所说，作者将两种IoU组合，取其最小。
AP for
实例分割任务的目标是用像素级掩码描绘每个对象，其评估指标是同时评估多个方面，如分类、定位和分割质量。
本文通过（，，综合的；合成的，人造的，结合上下文个人感觉应该取“人造”之意）合成预测与真实模型来进行实验。
合成预测
综合预测允许我们单独的评估分割质量。
真实预测
利用现有的分割模型得到的真实预测进一步实验，可以进一步了解 IoU在实例分割任务各个方面的表现。
PQ
下图为标准PQ的公式

文章插图
将其中的Mask IoU替换为Mask IoU与 IoU的组合，取其最小值。
合成预测

文章插图
真实预测
总结
? 不同于Mask IoU ， IoU提供了一个明确的，定量的梯度，奖励改善边界分割质量。作者希望 IoU可以鼓励更多人开发高保真Mask预测新方法。此外， IoU允许对复杂的任务(如实例和全景分割)的分割相关错误进行更细粒度的分析。在性能分析工具(如TIDE[2])中结合度量可以更好地洞察实例分段模型的特定错误类型。（直接翻译的）