Evidencia empírica y teórica de por qué la figura de mérito (FOM) es la mejor métrica de evaluación de detección de bordes
La segmentación de imágenes y la detección de bordes son tareas estrechamente relacionadas. Tomemos, por ejemplo, este resultado de un modelo de segmentación costera:
El modelo clasificará cada píxel como tierra u océano (máscara de segmentación). Luego, la línea de costa corresponde a los píxeles donde cambia esta clasificación (mapa de borde). En general, la detección de bordes se puede realizar utilizando los límites de la salida de un modelo de segmentación de imágenes.
Quería utilizar esta relación en mi investigación para ayudar a evaluar los modelos de segmentación de imágenes costeras. Todas investigaciones similares utilizan medidas basadas en matrices de confusión, como exactitud, precisión y recuperación. Comparan todos los píxeles de una máscara de segmentación prevista con una máscara de verdad fundamental.
El problema es que estas mediciones podrían sobreestimar el desempeño en la región más importante: la costa.
La mayoría de los píxeles se encuentran en medio del océano o completamente rodeados de tierra. Esto los hace más fáciles de clasificar que los cercanos a la costa. Puedes ver esto en la Figura 2. Desafortunadamente, estos errores pueden estar ocultos en un mar de píxeles correctamente clasificados.
