Jumpat
大佬，我想问一下关于mIoU指标等问题
大佬好，我最近正在尝试复现论文中的指标，但是出了一些小问题，因为环境的问题，在不更改逻辑的情况下，我修改了部分eval_3dovs的代码，但是我得出的结果，和论文中有点差距，例如3d-ovs的bed我只拿到了70的mIoU，sofa65。然后我去尝试修改sam的超参，在几次尝试之后，数值有了一些小变化，请问大佬后续会考虑将完整的测试步骤和超参等公开吗？
因为我现在面临一个问题，语义3dgs好多的论文我想拿到paper中的效果都很困难，我想在后续的论文中，如果没有确切的完整的参数，我想直接都使用一套统一的评判标准了。
感谢大佬，saga真是一个非常棒的研究。
({'Pikachu': 0.7030258119106293, 'a stack of UNO cards': 0.443257212638855, 'a red Nintendo Switch joy-con controller': 0.9504347801208496, 'Gundam': 0.16355472505092622, 'Xbox wireless controller': 0.7394120335578919, 'grey sofa': 0.9159052729606628}, 0.6525983060399692)
你好！最近比较忙回复晚了些，由于3dovs数据集的数据特性，在数据预处理部分确实使用了不同的SAM预处理超参，否则从一开始SAM自动提取出的mask就是错的，但eval_3dovs代码本身应该是不需要修改的。晚点我会找一下这部分SAM超参数并公开。
你好！最近比较忙回复晚了些，由于3dovs数据集的数据特性，在数据预处理部分确实使用了不同的SAM预处理超参，否则从一开始SAM自动提取出的mask就是错的，但eval_3dovs代码本身应该是不需要修改的。晚点我会找一下这部分SAM超参数并公开。
好的，感谢大佬
你好！最近比较忙回复晚了些，由于3dovs数据集的数据特性，在数据预处理部分确实使用了不同的SAM预处理超参，否则从一开始SAM自动提取出的mask就是错的，但eval_3dovs代码本身应该是不需要修改的。晚点我会找一下这部分SAM超参数并公开。
好的，感谢大佬
你好，请教一下，我想要计算自己的数据集通过saga_gui.py分割模型的mIoU，应该如何计算？
大佬好，我最近正在尝试复现论文中的指标，但是出了一些小问题，因为环境的问题，在不更改逻辑的情况下，我修改了部分eval_3dovs的代码，但是我得出的结果，和论文中有点差距，例如3d-ovs的bed我只拿到了70的mIoU，sofa65。然后我去尝试修改sam的超参，在几次尝试之后，数值有了一些小变化，请问大佬后续会考虑将完整的测试步骤和超参等公开吗？
因为我现在面临一个问题，语义3dgs好多的论文我想拿到paper中的效果都很困难，我想在后续的论文中，如果没有确切的完整的参数，我想直接都使用一套统一的评判标准了。
感谢大佬，saga真是一个非常棒的研究。
({'Pikachu': 0.7030258119106293, 'a stack of UNO cards': 0.443257212638855, 'a red Nintendo Switch joy-con controller': 0.9504347801208496, 'Gundam': 0.16355472505092622, 'Xbox wireless controller': 0.7394120335578919, 'grey sofa': 0.9159052729606628}, 0.6525983060399692)
@lijian181 你好我翻了我们之前的代码，发现3dovs sofa这个场景使用了这套参数。但实际上这个参数应该不是很严格的，只要能保证大致分割效果没有问题即可。你也可以试下使用SAM2，SAM3等更新的分割技术，可能也会有更好的效果。 mask_generator = SamAutomaticMaskGenerator( model=sam, points_per_side=16, pred_iou_thresh=0.6, box_nms_thresh=0.7, stability_score_thresh=0.1, crop_n_layers=0, crop_n_points_downscale_factor=1, min_mask_region_area=200, )
我使用render分割.pt后的照片和对应视角的图片做的掩码，自己写了计算两者的IoU来实现，谢谢
@zhp2018 直接使用.pt进行渲染是ok的，不过要考虑到在特定视角下分割目标会有一些遮挡物，在遮挡情况下的2D mask才是符合2D gt的。