当图像的大部分具有多个都属于同一类的对象时，最好的方法是评估分割算法的质量。
例如： 如果我有一种算法可以按照书柜的图像对书籍进行细分-每本书有一个边框。 Bookcase
我看过有关细分评估的各种博客文章，大多数似乎都展示了多类问题的示例，在这些例子中，如果预测不准确，则很明显-边界框在该类上会/不会重叠。
我的第一个想法是，传统的IoU或主题准确性无法解决此类问题，因为包含单个“书”多边形（完全细分）的输出（覆盖整个图像）仍会返回高得分指标，因为几乎所有图片实际上都是“书”，但是实际上却很难分割图片。
我不确定我是否已经很好地解决了问题，将不胜感激。
答案 0 :(得分：0)
我将尝试使用以下解决方案来解决此问题：
计算背景类别的Dice / IoU系数
计算实例细分对象的指标平均值
