论文：https://arxiv.org/pdf/2103.16562.pdf

源码：https://github.com/bowenc0221/boundary-iou-api

0

动机

近年来，随着深度学习技术的进一步发展，实例分割算法的性能越来越优秀。实例分割算法的进步体现在AP指标的不断提升，但是这不等同于优化的算法对所有的“错误类型”都有改善。

算法的优化一般是以增加评测指标值为目的，如果AP指标对某种错误类型敏感，那么基于该指标优化的算法能很好地解决该种错误类型；反之，如果AP指标对某种错误类型不敏感，那么即使改善算法使得AP指标提升，也未必会很好地改善该错误类型。

在分割领域中，mask边界的分割质量是衡量算法能否落地的一个重要参考指标。作者认为，当前通用的以Mask IoU为基础的AP指标对于mask边界的分割质量不敏感，导致近年来不断优化的分割算法并没有明显改善mask边界的分割质量。

基于以上情况，作者提出了Boundary IoU，使用Boundary IoU代替Mask IoU，能够很好地衡量分割边界的质量好坏，如下图所示：

相比于BMask R-CNN和PointRend这2种方法，Mask R-CNN在物体边界的分割质量比较差，但是使用Mask IoU衡量这3种方法的分割质量，Mask IoU指标并未拉开太大的差距。相比之下，作者提出的Boundary IoU对物体边界的分割质量很敏感，能够很好地评价不同的分割算法对于物体边界的分割质量。

1

定义分割错误类别

为了更好地比较通用的Mask IoU、基于边界的Trimap IoU和F-Measure和作者提出的Boundary IoU对不同错误类型的敏感程度，这里首先定义几种错误类型及其错误程度。对于每种错误类型，会在ground truth mask的基础上“人为地”创造出预测mask，以便于比较不同的测量方法对不同类型分割错误的敏感程度。

（1）Scale error：对ground truth进行膨胀和腐蚀模拟预测mask，错误程度通过形态学操作的kernel radius决定。如下图中图（a）和图（b）所示。

（2）Boundary localization error：对ground truth的多边形边界顶点坐标添加高斯噪声模拟预测mask，错误程度由高斯噪声的标准差决定。如下图中图（c）所示。

（3）Object localization error：对ground truth mask进行偏移操作模拟预测mask，错误程度由像素的偏移量决定。如下图中图（d）所示。

（4）Boundary approximation error：使用《Shapely: manipulation and analysis of geometric objects》中提出的的simplify函数移除ground truth mask的多边形顶点以简化mask的多边形，模拟预测mask，错误程度由simplify函数中的error tolerance参数决定。如下图中图（e）所示。

（5）Inner mask error：在ground truth mask内部增加形状随机的空洞来模拟预测mask，错误程度由空洞数量决定。如下图中图（f）所示

2

几种测量方法的敏感性测试

在图像分割领域，有如下几种分割质量测量方法：

上表列举了几种分割质量测量方法和作者提出的Boundary IoU，其中“Symmetric”表示交换ground truth mask和预测mask是否会改变测量值；“Insensitivity”表示该方法对哪种错误类型不敏感。

上表中各个变量的含义为：

上表中的 和 是1维的线，用来表示mask的轮廓； 和