Intersection over Union (IoU)

Intersection over Union, auch als Jaccard-Index bekannt, quantifiziert die Ähnlichkeit zweier Flächen, indem die Fläche ihrer Überlappung durch die Fläche ihrer gemeinsamen Ausdehnung geteilt wird. IoU reicht von 0 (keine Überlappung) bis 1 (vollständige Überlappung). Bei der Objekterkennung misst IoU, wie gut eine vorhergesagte Bounding BoxBounding BoxA bounding box is the minimum axis-aligned rectangle that completely encloses a geographic feature or dataset, define... mit der tatsächlichen Bounding Box (Ground TruthGround TruthGround truth refers to data collected at the Earth's surface to validate and calibrate information derived from remot...) übereinstimmt. Bei der semantischen Segmentierung wird IoU je Klasse berechnet, indem vorhergesagte und tatsächliche Pixel-Labels verglichen werden. Der Mean IoU (mIoU), gemittelt über alle Klassen, ist die am weitesten verbreitete Metrik zur Bewertung von Segmentierungsmodellen.

IoU ist die Standardmetrik zur Bewertung geospatialer KI-Aufgaben, bei denen räumliche Ausdehnungen vorhergesagt werden. Die Extraktion von Gebäudegrundrissen wird bewertet, indem IoU zwischen vorhergesagten und Referenz-Gebäudepolygonen berechnet wird. Bei der Kartierung von Hochwasserflächen zeigt IoU, wie präzise ein Modell überflutete Gebiete abgrenzt. Die Extraktion von Straßennetzen bewertet die Überlappung zwischen vorhergesagter und tatsächlicher Straßenfläche. Systeme zur Objekterkennung nutzen IoU-Schwellenwerte, um zu entscheiden, ob eine Erkennung als richtig positiv zählt: Üblicherweise gilt eine vorhergesagte Bounding BoxBounding BoxA bounding box is the minimum axis-aligned rectangle that completely encloses a geographic feature or dataset, define... mit einem IoU-Wert über 0,5 gegenüber der Ground-Truth-Box als korrekte Erkennung. Strengere Schwellenwerte wie 0,75 bewerten eine präzisere Lokalisierung.

Mehrere IoU-Varianten erfüllen spezifische Bewertungsanforderungen. Der Boundary IoU gewichtet die Metrik stärker in Richtung der Randpixel und eignet sich zur Bewertung der Schärfe von Gebäude- oder Flurstücksgrenzen. Der Generalized IoU (GIoU) erweitert IoU um die Behandlung nicht überlappender Vorhersagen, indem er die kleinste umschließende Box einbezieht. Panoptic Quality kombiniert IoU mit Erkennungsmetriken zur Bewertung der Instanzsegmentierung. In geospatialen Anwendungen wird IoU typischerweise zusammen mit pixelbasierter Genauigkeit und F1-Werten angegeben, um die Modellleistung umfassend über verschiedene Aspekte der Vorhersagequalität zu bewerten.