論文の概要: Beyond Pixel Overlap: A Framework for Decomposing Segmentation Evaluation Metrics

• arxiv url: http://arxiv.org/abs/2607.00886v1
• Date: Wed, 01 Jul 2026 12:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.894988
• Title: Beyond Pixel Overlap: A Framework for Decomposing Segmentation Evaluation Metrics
• Title（参考訳）: Pixel Overlap: セグメンテーション評価メトリクスを分解するフレームワーク
• Abstract要約: 既存のメトリクスを、独立した公式ではなくモジュール設計の選択の合成として扱う。 このフレームワークを使用して、代表的なメトリクスを分析し、新しいメトリクスが以前のプロトコルの特定の制限にどう対処するかを示す。
• 参考スコア（独自算出の注目度）: 21.39067846146176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluation metrics are central to binary target segmentation because they determine how progress is measured, compared, and interpreted. In this paper, target denotes the task-defined positive region to be segmented rather than a generic foreground object. It may be salient, camouflaged, transparent, glass-like, mirror-like, shadow-like, lesion-like, or defined by other application-specific semantics. We treat existing metrics as compositions of modular design choices rather than isolated formulas. The proposed framework decomposes each metric into five stages covering prediction representation, target extraction, target matching, score computation, and metric reporting. We use this framework to analyze representative metrics and show how newer metrics address specific limits in earlier protocols. The stage choices keep each metric's assumptions visible. We then discuss the design space opened by the framework and its implications for task-aware evaluation protocols. Reference code is available at https://github.com/lartpang/PySODMetrics.
• Abstract（参考訳）: 評価指標は、進捗の測定、比較、解釈の方法を決定するため、バイナリターゲットセグメンテーションの中心である。 本稿では,汎用的な前景オブジェクトではなく,タスク定義の正の領域をセグメント化する。 健全でカモフラージュされた、透明で、ガラスのような、鏡のような、影のような、病変のような、あるいは他のアプリケーション固有の意味論によって定義される。 既存のメトリクスを、独立した公式ではなくモジュール設計の選択の合成として扱う。 提案手法は, 予測表現, 対象抽出, ターゲットマッチング, スコア計算, メトリックレポートの5段階に分割する。 このフレームワークを使用して、代表的なメトリクスを分析し、新しいメトリクスが以前のプロトコルの特定の制限にどう対処するかを示す。 段階的な選択は各計量の仮定を可視化する。 次に,フレームワークがオープンにした設計空間とそのタスク認識評価プロトコルへの影響について論じる。 リファレンスコードはhttps://github.com/lartpang/PySODMetrics.comで公開されている。

関連論文リスト

• Context-measure: Contextualizing Metric for Camouflage [63.31489136704254]
  カモフラージュは、主にコンテキストに依存しているが、この重要な要因を見落としているキャモフラージュシナリオの現在のメトリクスである。 本稿では,確率的画素認識相関フレームワーク上に構築されたコンテキスト評価パラダイムであるコンテキスト尺度を提案する。
  論文  参考訳（メタデータ） (2025-12-08T01:23:28Z)
• Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks [60.80828925396154]
  本稿では,新しいセマンティックセグメンテーション評価プロトコルであるConnected-Component (CC)-Metricsを提案する。 本研究は,全体PET/CTにおけるセマンティックセグメンテーションの一般的な医療シナリオにおいて,この設定を動機付けている。 既存のセマンティックセグメンテーションのメトリクスが、より大きな接続コンポーネントに対するバイアスにどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-10-24T12:26:05Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• A Unified View of Evaluation Metrics for Structured Prediction [41.29492827464339]
  本稿では,異なる予測タスクに対する評価指標を統一する概念的枠組みを提案する。 我々のフレームワークは、これらのタスクの出力を特定のデータ型のオブジェクトとして表現する必要があります。 出力構造に基づいたボトムアップ方式で,新しい指標を自然に導出できることが示される。
  論文  参考訳（メタデータ） (2023-10-20T20:02:02Z)
• SortedAP: Rethinking evaluation metrics for instance segmentation [8.079566596963632]
  既存のメトリクスのほとんどは、セグメンテーション品質の限定的な解像度を持っていることを示す。 そこで我々は,オブジェクトレベルの不完全度と画素レベルの不完全度の両方で厳格に減少する sortedAP という新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-09-09T22:50:35Z)
• SILOP: An Automated Framework for Semantic Segmentation Using Image Labels Based on Object Perimeters [11.693197342734152]
  本稿では,サリエンシ向上のためにオブジェクト周辺計を用いた追加モジュールを導入するフレームワークを提案する。 我々の新しいPerimeterFitモジュールは、ピクセル類似性に基づくネットワークを使用する前に、CAM予測を事前に再定義するために適用されます。 このようにして、我々のPerimeterFitは、偽陰率を同時に改善しながら、CAM予測の品質を向上させる。
  論文  参考訳（メタデータ） (2023-03-14T13:25:55Z)
• 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)
• Evaluating Subtitle Segmentation for End-to-end Generation Systems [2.730149977692319]
  字幕は、形式的制約(長さ)と構文的・意味論的基準に基づいて区切られた短いテキストとして画面に表示される。 標準セグメンテーションメトリクスは、システムが基準とは異なる出力を生成するときに適用できない。 セグメンテーション境界上のBLEUの近似上界から派生した新しい字幕スコアである$Sigma$を導入する。
  論文  参考訳（メタデータ） (2022-05-19T07:38:13Z)
• CoSeg: Cognitively Inspired Unsupervised Generic Event Segmentation [118.18977078626776]
  イベントセグメンテーション/バウンダリ検出のためのエンドツーエンドの自己教師型学習フレームワークを提案する。 本フレームワークは, イベント境界を再構成誤差で検出するトランスフォーマーに基づく特徴再構成手法を利用する。 私たちの研究の目標は、特定のイベントをローカライズするのではなく、ジェネリックイベントをセグメント化することです。
  論文  参考訳（メタデータ） (2021-09-30T14:40:32Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• 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)

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。