score op• 데이터 종류: labels2d × labels2d → table
• 호출: import fullseye as fs; fs.ledger.seg_object_counts_match(labels_pred, labels_true, *, background: 'int' = 0, min_overlap: 'float' = 0.5) -> 'Dict[str, object]'(구현을 직접 호출하려면 import segeval; segeval.seg_object_counts_match(labels_pred, labels_true, *, background: 'int' = 0, min_overlap: 'float' = 0.5) -> 'Dict[str, object]', 원장에서 가져오려면 opssegmentation.get("seg_object_counts_match"))
물체 개수 일치: '주로 겹치는' 간선의 이분 그래프 차수로 분열/융합/누락/오검/일치를 센다(seg_object_counts_match).
> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.
真 i と予測 j(どちらも背景でない)の間に辺を置く条件 = 重なり n_ij ≥ `min_overlap` × min(|i|, |j|)
(小さい方がもう一方に主に入っている)。真の次数 d_i、予測の次数 e_j:
`missed = #{d_i = 0}、false = #{e_j = 0}、split` = #{d_i ≥ 2}(1 つの真が複数の予測に割れた)、
`merged = #{e_j ≥ 2}(1 つの予測が複数の真を抱えた)、matched` = #{d_i = 1 かつ その相手の e_j = 1}。
`counts_match` = 真と予測の個数が同じで全部が一致。min_overlap > 0.5 なら各予測は高々 1 つの真に「主に入る」が、
真が小さく予測が大きい辺もあるので融合は検出できる。
返り値: 上の数 + `n_true / n_pred、edges(真ラベル, 予測ラベル)の (m, 2)、split_true / merged_pred` /
`missed_true / false_pred(ラベルの配列)、min_overlap`。
• segmentation_scoring_and_worlds — 分割の採点と真値つき合成世界 — どの物差しがどの壊れ方に盲目か
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• poc_graph_hierarchy_segmentation — py -3.11 examples/poc_graph_hierarchy_segmentation.py
table 를 입력으로 받는 것)score)seg_confusion_table · seg_dice_jaccard · seg_boundary_f · seg_hausdorff · seg_mean_surface_distance · seg_under_over_segmentation · seg_score_card
*Provenance: segeval.py — SEGMENTATION 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.