A Learning-Based Framework for Supervised and Unsupervised Image Segmentation Evaluation
A Learning-Based Framework for Supervised and Unsupervised Image Segmentation Evaluation
复制标题
用于监督和无监督图像分割评估的基于学习的框架
DOI：
10.1142/s0219467814500144
复制
发表时间：
2014-08
影响因子：
1.6
通讯作者：
Tianrui Li
中科院分区：
文献类型：
--
作者：
Jian Lin;Bo Peng;Tianrui Li
图像分割是自动图像分析中的一项基本任务。然而，目前还没有一种普遍接受的有效性度量方法来评估每个应用中的分割质量。在本文中，我们提出了一种受益于多个独立措施的评估框架。为此，选择不同的分割评价指标分别对分割进行评价，并利用机器学习方法对分割结果进行有效的组合。我们在我们全新的分割数据集中训练并实现了这个框架，该数据集中包含了不同内容的图像，包括分割背景事实和Weizmann分割数据库(WSD)。此外，我们还提供了对图像分割对的人工评估，以基准衡量这些措施的评估结果。实验结果表明，与单机方法相比，该方法具有更好的性能。
Image segmentation is a fundamental task in automatic image analysis. However, there is still no generally accepted effectiveness measure which is suitable for evaluating the segmentation quality in every application. In this paper, we propose an evaluation framework which benefits from multiple stand-alone measures. To this end, different segmentation evaluation measures are chosen to evaluate segmentation separately, and the results are effectively combined using machine learning methods. We train and implement this framework in our brand-new segmentation dataset which contains images of different contents with segmentation ground truth and Weizmann segmentation database (WSD). In addition, we provide human evaluation of image segmentation pairs to benchmark the evaluation results of the measures. Experimental results show a better performance than the stand-alone methods.
登录
查看更多内容
DOI：
10.1504/ijguc.2012.045710
发表时间：
2012-03
期刊：
Int. J. Grid Util. Comput.
影响因子：
--
作者：
Lugang Zhao;Chengke Wu
通讯作者：
Lugang Zhao;Chengke Wu
DOI：
10.1109/tpami.2011.130
发表时间：
2012-02-01
影响因子：
23.6
作者：
Alpert, Sharon;Galun, Meirav;Basri, Ronen
通讯作者：
Basri, Ronen
影响因子：
7.5
作者：
Schapire, RE;Singer, Y
通讯作者：
Singer, Y
影响因子：
10.6
作者：
Grigorescu, SE;Petkov, N;Kruizinga, P
通讯作者：
Kruizinga, P
DOI：
10.1007/3-540-47977-5_27
发表时间：
2002-01-01
期刊：
COMPUTER VISION - ECCV 2002 PT III
影响因子：
--
作者：
Freixenet, J;Muñoz, X;Cufí, X
通讯作者：
Cufí, X