論文の概要: Weighted Intersection over Union (wIoU): A New Evaluation Metric for
Image Segmentation
- arxiv url: http://arxiv.org/abs/2107.09858v4
- Date: Tue, 23 May 2023 11:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 02:08:56.001382
- Title: Weighted Intersection over Union (wIoU): A New Evaluation Metric for
Image Segmentation
- Title（参考訳）: 重み付き対合(wIoU):画像分割のための新しい評価基準
- Authors: Yeong-Jun Cho
- Abstract要約: 意味的セグメンテーションのための重み付け分割(wIoU)と呼ばれる新しい評価尺度を提案する。
まず、境界距離マップから生成される重みマップを構築し、境界重み係数に基づいて各画素の重み付け評価を可能にする。
我々は,33シーンのデータセット上でwIoUの有効性を検証し,その柔軟性を実証した。
- 参考スコア（独自算出の注目度）: 2.4366811507669115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, many semantic segmentation methods have been proposed to
predict label of pixels in the scene. In general, we measure area prediction
errors or boundary prediction errors for comparing methods. However, there is
no intuitive evaluation metric that evaluates both aspects. In this work, we
propose a new evaluation measure called weighted Intersection over Union (wIoU)
for semantic segmentation. First, it build a weight map generated from a
boundary distance map, allowing weighted evaluation for each pixel based on a
boundary importance factor. The proposed wIoU can evaluate both contour and
region by setting a boundary importance factor. We validated the effectiveness
of wIoU on a dataset of 33 scenes and demonstrated its flexibility. Using the
proposed metric, we expect more flexible and intuitive evaluation in semantic
segmentation filed are possible.
- Abstract（参考訳）: 近年,シーン内のピクセルのラベルを予測するためのセマンティックセグメンテーション法が数多く提案されている。
一般に,面積予測誤差や境界予測誤差を比較手法として測定する。
しかし、両側面を評価する直感的な評価指標は存在しない。
本研究では,意味的セグメンテーションのための重み付き分割(wIoU)と呼ばれる新しい評価尺度を提案する。
まず、境界距離マップから生成される重みマップを構築し、境界重要度係数に基づいて各画素の重み付け評価を可能にする。
提案したwIoUは,境界重要度を設定することにより,輪郭と領域の両方を評価することができる。
我々は,33シーンのデータセット上でwIoUの有効性を検証し,その柔軟性を実証した。
提案手法を用いることで,セマンティックセグメンテーションにおけるより柔軟で直感的な評価が可能となることを期待する。
関連論文リスト
- Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳（メタデータ） (2023-10-30T03:45:15Z) - RankSEG: A Consistent Ranking-based Framework for Segmentation [5.166970737490847]
我々はベイズ則やDice-/IoU-校正を含むDice/IoUメトリクスに関するセグメンテーションの理論的基礎を確立する。
ベイズのセグメンテーションルールのプラグインルールにインスパイアされた新しい一貫したランキングベースのフレームワークであるRandDice/RankIoUを提案する。
論文 参考訳（メタデータ） (2022-06-27T07:12:31Z) - PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。
3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。
本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
論文 参考訳（メタデータ） (2022-03-13T15:17:41Z) - Contrastive Boundary Learning for Point Cloud Segmentation [81.7289734276872]
本稿では,ポイントクラウドセグメンテーションのための新しい対照的な境界学習フレームワークを提案する。
実験により、CBLは、異なるベースラインを一貫して改善し、バウンダリにおける魅力的なパフォーマンスを達成するのに役立ちます。
論文 参考訳（メタデータ） (2022-03-10T10:08:09Z) - Boundary IoU: Improving Object-Centric Image Segmentation Evaluation [125.20898025044804]
境界品質に着目した新たなセグメンテーション評価手法であるBoundary IoUを紹介します。
境界IoUは、大きなオブジェクトの境界誤差に対して標準のMask IoU測度よりもはるかに感度が高く、小さなオブジェクトの誤差を過給しない。
論文 参考訳（メタデータ） (2021-03-30T17:59:20Z) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - Active Boundary Loss for Semantic Segmentation [58.72057610093194]
本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。
エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。
実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
論文 参考訳（メタデータ） (2021-02-04T15:47:54Z) - Rethinking Semantic Segmentation Evaluation for Explainability and Model
Selection [12.786648212233116]
地域ベースのオーバーおよびアンダーセグメンテーションを評価するための新しいメトリクスを紹介します。
分析して他のメトリクスと比較し、実世界のアプリケーションにおけるセマンティックセグメンテーションモデルのパフォーマンスをより説明しやすくなることを示す。
論文 参考訳（メタデータ） (2021-01-21T03:12:43Z) - Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。
我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。
提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文 参考訳（メタデータ） (2020-10-10T07:14:03Z) - MetaBox+: A new Region Based Active Learning Method for Semantic
Segmentation using Priority Maps [4.396860522241306]
本稿では,MetaBox+と呼ばれるセマンティックイメージセグメンテーションのための新しい能動的学習手法を提案する。
取得にはメタ回帰モデルをトレーニングし、予測された未ラベル画像の各セグメントのセグメントワイド・インターセクション(IoU)を推定する。
提案手法をエントロピーに基づく手法と比較し,エントロピーを予測の不確実性とみなす。
論文 参考訳（メタデータ） (2020-10-05T09:36:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。