研究人员引入了一个新框架，用于重新定义全景分割评估中的实例匹配，超越了标准的“一对一”方法。该框架系统地探索了四种匹配策略——一对一、多对一、一对多和多对多——以更好地处理碎片化实例和噪声标注。所提出的方法使用基于顶点的真阳性、假阴性和假阳性计数，并扩展到部件感知分割，同时发布了一个开源包用于实现。 AI
影响 为分割任务引入了更鲁棒的评估指标，可能改进模型开发和比较。
排序理由 该集群包含一篇学术论文，详细介绍了针对特定研究问题的新框架和方法论。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.31094v1 Announce Type: cross Abstract: The Panoptic Quality (PQ) metric is the standard for jointly evaluating instance and semantic segmentation. However, its original definition relies on a One-to-One matching between predicted and ground truth segments, which is onl…
The Panoptic Quality (PQ) metric is the standard for jointly evaluating instance and semantic segmentation. However, its original definition relies on a One-to-One matching between predicted and ground truth segments, which is only straightforward when the IoU threshold exceeds 0…