摘要。本研究探讨了在基于对象的图像分析（OBIA）中，合成城市物体的分割精度指标的行为。通过高分辨率图像监测土地覆盖严重依赖于准确的分割，这直接影响分类性能。创建了一个合成数据集，设有固定大小的参考方形和大小各异的方形分段，以系统性地分析空间和几何关系。评估了六个广泛使用的精度指标：区域拟合指数（AFI）、匹配度（M）、质量率（QR）、过度分割（OS）、不足分割（US）和物体位置质量（qLoc），代表了基于区域和基于位置的标准。结果显示，基于区域的指标通常表现出一致的趋势和对分段大小与几何变化的相似敏感性，而基于位置的指标则表现出强调空间定位和位置准确性的独立模式。这种差异突显了仅依赖其中一种指标类型的局限性，倡导结合区域和位置标准的综合评估框架，以实现更全面的分割质量评估。研究建议未来的研究应纳入更复杂和不规则的城市物体形状，并探索额外的指标，如基于边界或上下文感知的度量。此外，依据这些指标识别最佳分割配置可能会提升深度学习应用于城市物体分类的训练数据质量。
Avsar等（周二）研究了这个问题。