【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.
在计算机视觉领域，图像分割是核心任务之一，其目的是将图像中的每个像素分配到特定的类别，以便识别和理解图像中的对象。近年来，随着深度学习技术的发展，图像分割的准确性和效率得到了显著提升。然而，现有的评价指标如Mask IoU（Mask Intersection-over-Union）在评估边界精度时存在不足，这可能导致对某些错误类型的忽视，尤其是对于大对象的边界误差。CVPR2021的一篇论文《Boundary IoU: Improving Object-Centric Image Segmentation Evaluation》提出了一种新的评估方法——Boundary IoU，旨在解决这个问题。
Boundary IoU是一种专注于边界质量的分割评估度量标准。它通过对比不同错误类型和对象大小，揭示了在大型对象上，相比于标准的Mask IoU，Boundary IoU对边界误差更为敏感，并且不会过度惩罚小对象上的错误。这一改进使得评价更加公正，尤其适用于评估边缘清晰度，避免了以往指标可能存在的偏向性。
论文还指出，Boundary IoU具有几个理想特性，如相对于预测与真实结果对的对称性，以及在不同尺度上的平衡响应。这些特性使其相比Trimap IoU和F-measure等其他侧重边界的衡量标准更适合作为分割评估的标准。基于Boundary IoU，研究者提出了针对实例分割任务的Boundary AP（平均精度）和针对全景分割任务的Boundary PQ（全景质量）指标，这两个新指标能够更好地追踪当前基于Mask IoU的评价指标通常忽略的边界质量改进。
自2015年至2019年，实例分割任务在COCO数据集上的平均精度（AP）指标提升了86%（相对），显示了标准化任务框架下研究进展的显著成果。然而，这种进步并不均匀分布在所有错误模式上。Boundary IoU的引入有望引导研究者更多地关注并改进分割方法的边界质量，从而推动该领域的进一步发展。
Boundary IoU作为一种新的评价工具，对推动目标中心的图像分割评估具有重要意义。通过强调边界精确性的测量，它鼓励研究人员开发出更精确的分割算法，特别是在处理大对象和小对象边界时，以提高整体图像分割的质量。在未来，可以预见，深度学习模型会更加注重边缘细节的处理，以满足Boundary IoU等新型评估指标的要求，从而推动整个图像处理技术的进步。
