IoU
计算机视觉中用于评估目标检测和图像分割精度的指标，计算预测框与真实框的交集面积与并集面积之比
时间轴 (近 90 天)
Dice系数定义为2倍交集面积除以两区域面积之和，与IoU在数学上高度相关，但Dice对类别不平衡更为鲁棒，当目标区域远小于背景区域时Dice通常比IoU更适合作为主要评价标准。
在图像尺寸300×300、批次大小为16的配置下，UNet++取得了最高IoU 0.6719和DICE 0.7869，在所有对比模型中表现最佳。
IoU（交并比）即预测框与真实框的交集面积除以并集面积，取值 0 到 1，越接近 1 说明框得越准。
IoU 是定位任务中最基础的度量，计算预测框与真实框的交集面积除以并集面积，取值 0 到 1。
在密集定位场景下，常见的失败模式包括漏检小目标、合并多个目标为一个框、坐标漂移导致 IoU 下降。
mAP 是在多个 IoU 阈值或多个类别上取平均的指标，更能反映模型在不同精度要求下的整体表现。
评测视觉定位时一般使用IoU（交并比）阈值判断预测框是否命中
IoU（交并比）等于预测区域与标注区域的交集面积除以并集面积，范围在0到1之间
从GOOSE数据集加入1500帧真实画面后，横跨四种架构的天空IoU提升7到17点、植被IoU提升29到37点、真实天气平均IoU提升29到35点
为语义分割模型加入物理建模的恶劣天气增广后，真实天气「天空」类别的IoU在每一种架构上都下降，跌幅在1到13个百分点之间
全部知识事实 (10)
Dice系数定义为2倍交集面积除以两区域面积之和，与IoU在数学上高度相关，但Dice对类别不平衡更为鲁棒，当目标区域远小于背景区域时Dice通常比IoU更适合作为主要评价标准。
50%待验证在图像尺寸300×300、批次大小为16的配置下，UNet++取得了最高IoU 0.6719和DICE 0.7869，在所有对比模型中表现最佳。
50%待验证IoU（交并比）即预测框与真实框的交集面积除以并集面积，取值 0 到 1，越接近 1 说明框得越准。
50%待验证IoU 是定位任务中最基础的度量，计算预测框与真实框的交集面积除以并集面积，取值 0 到 1。
50%待验证在密集定位场景下，常见的失败模式包括漏检小目标、合并多个目标为一个框、坐标漂移导致 IoU 下降。
50%待验证mAP 是在多个 IoU 阈值或多个类别上取平均的指标，更能反映模型在不同精度要求下的整体表现。
50%待验证评测视觉定位时一般使用IoU（交并比）阈值判断预测框是否命中
50%待验证IoU（交并比）等于预测区域与标注区域的交集面积除以并集面积，范围在0到1之间
50%待验证从GOOSE数据集加入1500帧真实画面后，横跨四种架构的天空IoU提升7到17点、植被IoU提升29到37点、真实天气平均IoU提升29到35点
50%待验证为语义分割模型加入物理建模的恶劣天气增广后，真实天气「天空」类别的IoU在每一种架构上都下降，跌幅在1到13个百分点之间
50%