论文阅读: 2103.Boundary IoU

2103.16562：Boundary IoU: Improving Object-Centric Image Segmentation Evaluation

动机

• Mask IoU对于大物体边界的分割质量不敏感：
  • 随着物体尺寸的增加，物体内部像素数量以二次方形式增加，而物体边界像素数量以线性形式增加，导致尺寸越大的物体，边界像素占总像素的比重越小。当物体内部像素被正确分割时，即使边界像素分割质量不好，Mask IoU的值也比较高。
  • 下图中横轴表示物体面积，纵轴表示Mask IoU的值；左图和右图分别表示预测mask大于ground truth mask和预测mask小于ground truth mask的情况。对于不同尺寸的物体，由ground truth mask得到预测mask时进行的腐蚀和膨胀程度保持恒定：

    

    在这里插入图片描述

    • 可以看出：
      • 对于小尺寸物体，scale error造成Mask IoU值较低；
      • 随着物体尺寸的增加， 即使scale error的程度保持恒定，Mask IoU也会逐渐增加，从而说明使用Mask IoU衡量大物体边界的分割质量，得分偏高。

创新点

• 使用对大物体边界很敏感的 Boundary IoU 代替 Mask IoU，能够很好地衡量分割边界的质量好坏。
  • 可以看出，换成Boundary IoU后，几个算法之间的差距明显体现了出来。

    

    在这里插入图片描述

  • 计算公式：

    

    在这里插入图片描述

    

    在这里插入图片描述

    • 上式中的Gd表示与ground truth mask的轮廓距离不大于的像素集合，Pd表示与预测mask的轮廓距离不大于的像素集合。
    • 距离d控制着Boundary IoU的敏感程度，当d足够大时，Boundary IoU等效于Mask IoU；当d比较小时，Boundary IoU会忽略mask中远离边界的像素，使得即使对于尺寸较大的物体，Boundary IoU也会更关注物体边界附近的分割质量。
  • loss比较：
    • 其他各种分割loss都有明显缺陷（“Symmetric”表示交换ground truth mask和预测mask是否会改变测量值；“Insensitivity”表示该方法对哪种错误类型不敏感）：

      

      在这里插入图片描述

    • 只有Boundary IoU综合性能最优。
    • Boundary IoU也有一点小缺陷，所以建议使用改良版的：
      • min( Mask IoU, Boundary IoU )