Boundary IoU:Improving Object
IoU: - Image （边界Iou：改进以对象为中心的图像分割评价）
目录
一、论文出发点
二、论文核心思想
三、相关工作
四、敏感度分析
五、 IoU定义和实验证明
六、应用
七、结论
一、论文出发点
对于分割任务，不同的评估指标对不同类型错误的敏感性不同，网络可以轻易解决指标对应敏感的类型，而其他错误类型的效果则不尽人意。mask的边界质量是图像分割的一个重要指标，但是很少有论文会提及他们mask的边界质量。以此作为出发点，提出来一种边界Iou，以此提高网络预测的边界质量。
二、论文核心思想
提出了一种新的基于边界质量的分割评价方法—— IoU。基于边界IoU，分别提出了边界AP ( )和边界PQ ( )指标来更新实例和全景分割任务的标准评价协议。结果表明，对于较大的对象， IOU比标准的Mask IOU对边界错误更敏感。
三、相关工作
作者采用表2给出的统一表示法，定义了表1中常见的分割质量测量方法和新的 IoU测量方法。将测量方法分为基于mask和基于的两类，并讨论它们的差异。
表一：给出了不同分割质量测量方法的定义公式（），是否是对称的测量方法（），更偏向测量类型（），以及对什么样的错误类型不敏感（）。
（该表是本文前半部分工作的核心所在，证明常用的IoU测量方法有哪些缺陷，由下文进行补充证明。）
表二：定义了表一公式中符号的含义。
四、敏感度分析
在敏感度分析所做的所有工作，是为了证明表一中对应、、的三列数据。
（1）敏感度分析的目的
将通过观察测量值响应不同大小的误差进行怎样的变化来比较几种mask一致性测量方法。观察和解释这些曲线，以得出关于这些测量方法的缺点，称之为敏感性分析的方法。
（2）具体方法
为了方便进行系统的比较，作者通过人为制造伪预测来模拟在不同掩码尺寸下的常见一组分割错误。如下图所示：
红色轮廓表示真值掩码。比例误差：（a）扩张mask，（b）削减mask；边界定位误差：（c）向多边形中的每个顶点添加随机高斯噪声；对象定位误差：（d）移动mask；边界近似误差：（e）简化多边形；内部掩码错误：（f）向mask添加空洞。
（3）实验结果
1. 如下图中（a）所示，在固定的错误严重性下，固定像素数对 truth mask进行扩张/削减，较大对象的伪预测都能获得更高的分数。证明mask IoU偏向于大型对象。
2. 如下图中（b）所示，交换预测和真实掩码再次进行测量会给出不同的评分，因此 IoU不是对称的测量方法。在固定的错误严重性下， area更大的对象的伪预测都能获得更高的分数，因此能证明 IoU偏向于大型对象。
3. 如下图中（c）所示，F-可以忽略小的轮廓错位，也就是说F-对少量误差严重程度并不敏感，但是当误差严重程度较大时，F-会迅速降至零。
五、 IoU定义和实验证明
Iou可以克服以上所有测量方式的缺陷。
Iou定义公式如下：
IoU首先计算距离每个轮廓d以内的原始掩码像素集，然后计算这两个集合的并集上的交并比。（其中边界区域Gd和Pd分别是距离真实轮廓和预测轮廓d个像素内所有像素的集合。）
实验证明：
如下图所示，相比于Mask IoU，在固定的错误严重性下， IoU对于大对象的偏向性更小；相比于 IoU， IoU是对称的测量方法；相比于 IoU， IoU对误差严重程度要求十分严苛，一旦超过一定数值， IoU会直接降为0，而 IoU以柔和的方式评估真实Mask与预测之间的一致性。
（图中上半部分为在面积>96^2的对象使用伪预测，在所有考虑的错误类型中 IoU与Mask IoU的对比表现，图中下半部分在面积16^2的对象使用伪预测）
六、应用
1. COCO实例分割数据集上对比Mask AP和 AP。
2. 在R-CNN得到真实预测上进行评价：分别对比Mask AP和 AP；更换网络，对比Mask AP和 AP；使用和R-CNN分别输出预测，对比不同测量方法的AP与 AP。
七、结论
本文提出了一种全新的IOU测量方法 IoU，通过敏感度分析证明了现有的常用IOU计算方法的缺陷所在，并通过实验证明 IoU在不同的误差类型下，能克服前者出现的各种不足之处。
