Sep, 2023

SortedAP: 重新思考实例分割的评估指标

PDF
TL;DR设计用于评估实例分割的度量标准围绕着全面考虑目标检测和分割准确性展开，然而，当前研究忽视了其他重要特性，如敏感性、连续性和一致性。本文揭示了大多数现有度量标准在测量分割质量方面具有有限的分辨率，它们只在掩模或错误预测的变化情况下有条件地敏感。对于某些度量标准来说，在一个狭窄的范围内，得分可能会急剧变化，这可能会误导结果质量差距的指示。因此，我们提出了一种名为 sortedAP 的新度量标准，它严格降低了目标和像素级别的缺陷，并且在整个域上具有连续的惩罚刻度。我们在此 https 的 URL 上提供了评估工具包和实验代码。
发现论文，激发创造
  • 超越 mAP: 迈向更好的实例分割评估

    本文提出两个新的度量标准来明确测量空间和类别重复预测的数量，并提出基于像素占用匹配方案的语义排序和非极大值抑制模块，以减轻权衡预测并保留平均精度。

    Jul, 2022

  • Smooth-AP：平滑大规模图像检索路径

    介绍了 Smooth-AP 的目标函数来近似优化平均精度；这次研究对标准的检索基准、大规模的数据集进行评估，优于现有技术并展示了 Smooth-AP 在真实场景中的有效性和可扩展性。

    Jul, 2020

  • 针对密集目标检测的 AP Loss 再探：自适应排序对选择

    本文回顾了平均精度丢失 (AP loss)，揭示了选择正负样本之间排名对的关键性，并提出了两种改进 AP loss 的策略。 第一个是新的自适应成对误差 (APE) loss，专注于正负样本中的排名对。 此外，利用聚类算法和规范化排名分数和本地化分数选择更精确的排名对。在 MSCOCO 数据集上的实验证明了我们提出的方法相对于当前的分类和排名损失的优越性。

    Jul, 2022

  • 精准一阶段物体检测的 AP 误差

    本文提出了一种有效的方法，将一阶段目标检测器的分类任务替换为排名任务，并采用平均准确率 (Average-Precision) 损失函数，通过优化算法，处理了训练中的极端正负样本不平衡问题，获得了比现有 AP-based 优化算法更出色的实验结果。

    Aug, 2020

  • 度量对齐样本选择和关键特征抽取在方向目标检测中的应用

    本文提出了一种解决精细定向目标检测问题的方法，在形状和旋转特征下动态地选择样本，并使用关键特征提取模块和自适应的平滑 L1 损失函数来提高分类和定位的一致性，并在四个旋转目标检测数据集上展示了目标检测器的最先进性能。

    Jun, 2023

  • Boundary IoU：改进基于物体的图像分割评估

    提出了一种新的细分评估标准 Boundary IoU，能更好地度量细节的效果，提出了新的评估指标 Boundary AP 和 Boundary PQ，并且通过实验证明了其优于常用的 Mask IoU-based evaluation metrics。

    Mar, 2021

  • UGainS: 不确定性引导的异常实例分割

    通过使用不确定区域指导细分异常实例的模型和强大的对象先验，我们提出了一个能够准确检测道路异常物体的方法，优于当前的像素级异常分割方法，实验结果在 Fishyscapes Lost and Found 和 RoadAnomaly 验证集上分别达到了 80.08% 和 88.98% 的平均准确率。

    Aug, 2023

  • 使用以规划者为中心的度量方法学习评估感知模型

    本研究提出了一种面向自动驾驶的三维物体检测的原则性指标，可以测量检测结果对车辆驾驶的影响，该指标可以考虑除 “零误报” 和 “零漏报” 之外的其他因素比如目标与车辆的距离和速度，从而代表了一种新的衡量标准。

    Apr, 2020

  • 具有 AP 损失函数的精确单阶段目标检测

    本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

    Apr, 2019

  • FAPIS: 一种少样本锚点自由的基于部件的实例分割器

    本文研究了几类目标检测问题，提出了一种名为 FAPIS 的新方法。该方法显式地建模了跨训练目标类别共享的潜在目标部件，通过在测试中学习新类别的案例实现少样本学习。对 COCO-20i 数据集的评估表明，该方法明显优于现有技术。

    Mar, 2021