全景分割-任务、数据集、评价指标

bai666ai 2023-01-13 00:36:34

课时名称	课时知识点
全景分割-任务、数据集、评价指标	介绍全景分割的任务、数据集、评价指标

...全文

203 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

【原文】Boundary IoU: Improving Object-Centric Image Segmentation Evaluation。这是CVPR2021的一篇文章，We present Boundary IoU (Intersection-over-Union), a new segmentation evaluation measure focused on boundary quality. We perform an extensive analysis across different error types and object sizes and show that Boundary IoU is significantly more sensitive than the standard Mask IoU measure to boundary errors for large objects and does not over-penalize errors on smaller objects.

The Trajectory Prediction Challenge of Apolloscapes Dataset: trajectory prediction_train.zip

全景分割介绍在介绍全景分割前我们需要知道两个概念：语义分割和实例分割。语义分割指的是将图像中的每个像素点都赋予一个类别标签(class label)，而实例分割则需要将图像中的每个目标检测并且分割出来。当然，这也是像素级别的分割，不过仅是object的mask。可以知道，语义分割是一种共性的表示，而实例分割是个性的表征。为了从图像中清楚的将不同类别区分开，并且每个object间也都能清楚的区分开。全局分割任务被提了出来[1]，即将语义分割和实例分割结合。 Panoptic Segmentation.CV

语义分割（FCN）→实例分割（Mask R-CNN）→全景分割（Panoptic FPN）难度依次递增常见的语义分割评价指标： Pixel Accuracy mean Accuracy mean IoU 语义分割标注工具： Labelme EISeg（半自动）语义分割任务常见的数据集格式： PASCAL VOC 里面记录的是png图片（一个通道，通过调色板实现），但是也记录了每个像素的类别 MS COCO（不光能做语义分割也是可以做实例分割的）针对图像中的每一个目标都记录

文章目录0. 前言1. 问题引入1.1 要解决什么问题1.2 用了什么方法1.3 还存在什么问题&可借鉴之处2 性能指标2.1 对于性能指标的要求2.2 PQ 的定义与实现2.3 COCO 中的细节 0. 前言全景分割调研系列文章分为4篇问题引入与性能指标（本文）常用数据集 当前研究现状（现有模型分类以及当前常见研究方向）相关开源项目简介本文主要内容全景分割的引入（也就是这篇论文的笔记）全景分割常用性能指标介绍 1. 问题引入相关资料： arxiv github

白老师的课程社区_NO_1

4

社区成员

331

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章