概述
语义分割识别类别，而实例分割区分同一类别的不同对象。生成的掩模是一个估计值，其边界和遗漏区域需要评估。
主要要点
- 区分语义任务和实例任务。
- 定义注释边界。
- 评估少数民族地区并绘制坐标图。
深入探讨
在收集注释之前选择分割任务。标记每个道路像素与识别每个单独的车辆不同。定义如何处理不确定边界、透明对象、重叠实例和标签集之外的区域。注释质量影响结果。两个审阅者可能会在头发、阴影或部分可见的物体周围绘制不同的边界。记录标签约定并衡量分歧，而不是假设总是有一个完全明显的掩码。使用适合应用程序的指标。当大多数像素都是背景时，像素精度看起来很高。重叠指标（例如交集与并集）可以提供更多信息，但类平衡和边界质量仍然很重要。一个小的边界错误可能在一项任务中无害，但在另一项任务中可能会产生后果。测试完整的图像管道。当将其放回原始图像上时，裁剪、调整大小和坐标转换可以移动原本合理的蒙版。保留源尺寸并以将使用结果的比例检查叠加。
04工作示例
了解为什么像素精度会产生误导
构建一个具有 1,000 个像素的图像，其中 950 个像素为背景，50 个属于目标对象。
将每个像素标记为背景的预测具有 95% 的像素精度，但没有检测到任何对象。
检查特定于类的重叠和丢失对象行为，而不是仅报告总体像素分数。
它显示了什么
本发明的像素计数说明了评估陷阱。
现实世界的实施
单独的前景区域用于审阅的编辑工作流程。
在检查原始分辨率图像上的掩模时测量区域重叠。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
资料来源与延伸阅读
- Hugging Face语义分割
不断探索
常见问题
看起来干净的掩模能否证明分割准确？
不会。将其与适当的参考注释进行比较，并检查边界、缺失区域和预期的下游用途。