論文の概要: The Effectiveness of Edge Detection Evaluation Metrics for Automated Coastline Detection

• arxiv url: http://arxiv.org/abs/2405.11498v1
• Date: Sun, 19 May 2024 09:51:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 17:18:28.084010
• Title: The Effectiveness of Edge Detection Evaluation Metrics for Automated Coastline Detection
• Title（参考訳）: 海岸線自動検出におけるエッジ検出評価指標の有効性
• Authors: Conor O'Sullivan, Seamus Coveney, Xavier Monteys, Soumyabrata Dev,
• Abstract要約: 自動海岸線検出のためのRMSE, PSNR, SSIM, FOMを評価した。 我々は、49の試験地点にわたる95の海岸線衛星画像にCannyエッジ検出を適用した。 FOMは最良のしきい値を選択するための最も信頼性の高い指標であった。
• 参考スコア（独自算出の注目度）: 2.5311562666866494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We analyse the effectiveness of RMSE, PSNR, SSIM and FOM for evaluating edge detection algorithms used for automated coastline detection. Typically, the accuracy of detected coastlines is assessed visually. This can be impractical on a large scale leading to the need for objective evaluation metrics. Hence, we conduct an experiment to find reliable metrics. We apply Canny edge detection to 95 coastline satellite images across 49 testing locations. We vary the Hysteresis thresholds and compare metric values to a visual analysis of detected edges. We found that FOM was the most reliable metric for selecting the best threshold. It could select a better threshold 92.6% of the time and the best threshold 66.3% of the time. This is compared RMSE, PSNR and SSIM which could select the best threshold 6.3%, 6.3% and 11.6% of the time respectively. We provide a reason for these results by reformulating RMSE, PSNR and SSIM in terms of confusion matrix measures. This suggests these metrics not only fail for this experiment but are not useful for evaluating edge detection in general.
• Abstract（参考訳）: 自動海岸線検出に用いるエッジ検出アルゴリズムの評価において,RMSE,PSNR,SSIM,FOMの有効性を解析した。 通常、検出された海岸線の精度は視覚的に評価される。 これは大規模で非現実的であり、客観的評価指標の必要性につながる可能性がある。 したがって、信頼性のあるメトリクスを見つける実験を行う。 我々は、49の試験地点にわたる95の海岸線衛星画像にCannyエッジ検出を適用した。 我々はヒステリシス閾値を変化させ、測定値と検出されたエッジの視覚的分析を比較する。 その結果,FOMが最良閾値を選択する上で最も信頼性の高い指標であることが判明した。 92.6%の値と66.3%の値を選択することができる。 これはRMSE、PSNR、SSIMを比較し、それぞれ最高の閾値6.3%、6.3%、11.6%を選択できる。 我々は、RMSE、PSNR、SSIMを混乱行列の尺度で再構成することで、これらの結果の理由を提供する。 これは、これらの指標が実験に失敗するだけでなく、一般的にエッジ検出を評価するのに有用ではないことを示唆している。

関連論文リスト

• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• Delving into Crispness: Guided Label Refinement for Crisp Edge Detection [14.26122188105415]
  学習ベースのエッジ検出は通常、厚いエッジの予測に苦しむ。 ノイズの多い人間のラベル付きエッジが、厚い予測の主な原因であることがわかった。 そこで本研究では,Canny-Guided refinement of human-labeled edgesを提案する。
  論文  参考訳（メタデータ） (2023-06-27T03:12:58Z)
• Beyond AUROC & co. for evaluating out-of-distribution detection performance [50.88341818412508]
  安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。 我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:51:32Z)
• Analysis of ROC for Edge Detectors [14.494626833445915]
  本稿では,BIPEDデータセットを用いた受信機動作特性(ROC)解析によるエッジ検出器の評価を行う。 ROC分析は特定のエッジフィルタに適しているが,ROC測定値を用いて精度を正確に測定する際の課題を提示する。 この問題に対処するために、これらのフィルタの性能を向上させるためのカスタマイズ技術を導入し、より正確な評価を可能にした。
  論文  参考訳（メタデータ） (2023-05-28T22:47:54Z)
• An Experimental Investigation into the Evaluation of Explainability Methods [60.54170260771932]
  この研究は、9つの最先端XAI法と3つのダミー法(例えば、ランダム・サリエンシ・マップ)に適用された14の異なるメトリクスを比較した。 実験の結果、これらの指標のどれが高い相関関係を示し、潜在的な冗長性を示している。
  論文  参考訳（メタデータ） (2023-05-25T08:07:07Z)
• Out-of-Distribution Detection with Hilbert-Schmidt Independence Optimization [114.43504951058796]
  異常検出タスクはAIの安全性において重要な役割を担っている。 ディープニューラルネットワーク分類器は通常、アウト・オブ・ディストリビューション(OOD)の入力を、信頼性の高いイン・ディストリビューション・クラスに誤って分類する傾向がある。 我々は,OOD検出タスクにおいて実用的かつ理論的に有効な代替確率論的パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:59:55Z)
• Just-Noticeable-Difference Based Edge Map Quality Measure [5.749044590090683]
  距離に基づくエッジマップ測定は、エッジマップの品質評価に広く用いられている。 本稿では,人間の視覚系におけるJust-Noticeable-Difference(JND)の特徴に基づくエッジマップの品質測定について述べる。
  論文  参考訳（メタデータ） (2022-04-07T01:34:30Z)
• Android Malware Detection using Feature Ranking of Permissions [0.0]
  当社はAndroidのパーミッションを車として使用し、良性アプリとマルウェアアプリを迅速かつ効果的に区別できるようにしています。 解析の結果,本手法は,他の手法よりも精度が高く,Fスコア値も高いことがわかった。
  論文  参考訳（メタデータ） (2022-01-20T22:08:20Z)
• Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
  ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
  論文  参考訳（メタデータ） (2021-08-25T04:32:39Z)
• A Novel Approach to Radiometric Identification [68.8204255655161]
  本稿では,CAPoNeFの特徴工学的手法を用いて,高精度なラジオメトリック同定が可能であることを実証する。 SDRで収集した実験データに基づいて,基本的なML分類アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-12-02T10:54:44Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。