論文の概要: MeshMetrics: A Precise Implementation of Distance-Based Image Segmentation Metrics
- arxiv url: http://arxiv.org/abs/2509.05670v1
- Date: Sat, 06 Sep 2025 10:16:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.644359
- Title: MeshMetrics: A Precise Implementation of Distance-Based Image Segmentation Metrics
- Title（参考訳）: Mesh Metrics: 距離ベースイメージセグメンテーションメトリックの精密実装
- Authors: Gašper Podobnik, Tomaž Vrtovec,
- Abstract要約: MeshMetricsはメッシュベースのフレームワークで、従来のグリッドベースのアプローチよりも正確な距離ベースのメトリクス計算を提供する。
我々は,MeshMetricsが既存のツールよりも高い精度と精度を実現し,離散化アーティファクトの影響が著しく小さいことを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The surge of research in image segmentation has yielded remarkable performance gains but also exposed a reproducibility crisis. A major contributor is performance evaluation, where both selection and implementation of metrics play critical roles. While recent efforts have improved the former, the reliability of metric implementation has received far less attention. Pitfalls in distance-based metric implementation can lead to considerable discrepancies between common open-source tools, for instance, exceeding 100 mm for the Hausdorff distance and 30%pt for the normalized surface distance for the same pair of segmentations. To address these pitfalls, we introduce MeshMetrics, a mesh-based framework that provides a more precise computation of distance-based metrics than conventional grid-based approaches. Through theoretical analysis and empirical validation, we demonstrate that MeshMetrics achieves higher accuracy and precision than established tools, and is substantially less affected by discretization artifacts, such as distance quantization. We release MeshMetrics as an open-source Python package, available at https://github.com/gasperpodobnik/MeshMetrics.
- Abstract（参考訳）: 画像セグメンテーションの研究の急増は、顕著なパフォーマンス向上をもたらしたが、再現性の危機も露呈した。
主要なコントリビュータはパフォーマンス評価であり、メトリクスの選択と実装の両方が重要な役割を果たす。
近年の取り組みは前者を改善しているが、メートル法実装の信頼性ははるかに低かった。
距離に基づくメートル法の実装におけるピットフォールは、例えば、ハウスドルフ距離で100 mm を超え、同じセグメンテーションで正規化された表面距離で30%pt となるような、共通のオープンソースツールとはかなりの相違をもたらす。
これらの落とし穴に対処するために、従来のグリッドベースのアプローチよりも正確な距離ベースのメトリクス計算を提供するメッシュベースのフレームワークであるMeshMetricsを紹介します。
理論的解析と実証的検証により、MeshMetricsは確立されたツールよりも精度と精度が高く、距離量子化などの離散化アーティファクトの影響が著しく少ないことを示した。
我々はMeshMetricsをオープンソースPythonパッケージとしてリリースし、https://github.com/gasperpodobnik/MeshMetrics.comで入手できる。
関連論文リスト
- A Distance Metric for Mixed Integer Programming Instances [0.0]
Mixed-integer linear programming (MILP)は、様々な現実世界の問題に対処するための強力なツールである。
既存の類似度メトリクスは、しばしばインスタンスクラスを識別する精度を欠いているか、ラベル付きデータに大きく依存している。
本稿では,その数学的定式化から直接導出したMILPインスタンスに対する最初の数学的距離測定について紹介する。
論文 参考訳（メタデータ） (2025-07-15T07:55:09Z) - Understanding implementation pitfalls of distance-based metrics for image segmentation [0.0]
距離に基づくメトリクスは、(バイオ)医療画像におけるセグメンテーション性能の検証に広く用いられている。
彼らの実装は複雑で、オープンソースツール間の重要な違いは、コミュニティによってほとんど認識されていないままである。
本研究は,距離に基づく計量計算を実装した11のオープンソースツールを系統的に識別する。
論文 参考訳（メタデータ） (2024-10-03T16:14:22Z) - Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。
本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。
我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
論文 参考訳（メタデータ） (2024-03-22T06:22:20Z) - 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) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳（メタデータ） (2023-05-10T16:27:55Z) - A Generalized Surface Loss for Reducing the Hausdorff Distance in
Medical Imaging Segmentation [1.2289361708127877]
本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。
我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
論文 参考訳（メタデータ） (2023-02-08T04:01:42Z) - Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。
本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。
特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2020-12-03T02:07:43Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。
アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
論文 参考訳（メタデータ） (2020-06-10T16:51:53Z) - Learning Flat Latent Manifolds with VAEs [16.725880610265378]
本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。
我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。
提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-12T09:54:52Z)
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。