Key points are not available for this paper at this time.
जैकार्ड इंडेक्स, जिसे इंटरसेक्शन-ओवर-यूनियन स्कोर के रूप में भी जाना जाता है, इसकी संवेदी विशेषताओं, स्केल इनवेरियंस - जो छोटे ऑब्जेक्ट्स को उचित प्रासंगिकता प्रदान करता है, और गलत नकारात्मकों की उचित गणना की तुलना में प्रति-पिक्सेल हानियों के मूल्यांकन में आमतौर पर परीक्षण में उपयोग किया जाता है। हम न्यूरल नेटवर्क्स में माध्यमिक इमेज सेगमेंटेशन के संदर्भ में, उपमॉडुलर हानियों के(convex लवाज़ विस्तार पर आधारित) का उपयोग करके, माध्य इंटरसेक्शन-ओवर-यूनियन हानि के प्रत्यक्ष ऑप्टिमाइजेशन के लिए एक विधि प्रस्तुत करते हैं। यह हानि जैकार्ड इंडेक्स माप के सापेक्ष पारंपरिक रूप से उपयोग की जाने वाली क्रॉस-एण्ट्रॉपी हानि की तुलना में बेहतर प्रदर्शन करती है। हम छवियों के प्रति जैकार्ड इंडेक्स के ऑप्टिमाइजेशन बनाम पूरे डेटासेट पर लिए गए जैकार्ड इंडेक्स को ऑप्टिमाइज करने के बीच गुणात्मक और मात्रात्मक अंतर प्रदर्शित करते हैं। हम अपने ढाँचे के प्रभाव का मूल्यांकन करते हैं और पैसकल VOC और सिटीस्केप्स डेटासेट्स पर राज्य-की-कलाकृति गहरे शिक्षण सेगमेंटेशन आर्किटेक्चर का उपयोग करते हुए इंटरसेक्शन-ओवर-यूनियन सेगमेंटेशन स्कोर में महत्वपूर्ण सुधार दिखाते हैं।
बेरमैन एट अल. (शुक्र,) ने इस प्रश्न का अध्ययन किया।