什么是 部件感知全景质量（PartPQ）？
部件感知全景质量（PartPQ）是一种类别平均指标，它评测 Panoptic Segment Recognition，并对有 Part Annotation 的类别衡量已匹配 Parent Segment 内部的 Part Label Quality。
快速了解
| 全称 | Part-Aware Panoptic Quality |
|---|---|
| 规范文档 | 官方规范 |
工作原理
先匹配 Parent Segment，再评价 Part
PPS 原始论文先用 Binary Mask IoU > 0.5 匹配同一 Scene Class 的 Prediction 与 Ground Truth Parent Segment。未匹配预测计为 FP，未匹配 Ground Truth 计为 FN。未通过 Scene-level Gate 的 Parent Pair 不能靠正确 Part Label 获得信用。
这一顺序保留了 Panoptic Quality 的 Recognition Semantics，也意味着 PartPQ 下降可能来自 Parent 漏失、虚假 Parent、Parent Overlap 较差或内部 Part Label 错误。归因前应查看原始 TP/FP/FN 与逐类别结果。
用 Part-level Mean IoU 替换 Matched Overlap
对有 Part 的 Class，每个 Accepted Parent Pair 贡献 IoU_p，即在该 Parent Context 内对参与评测 Part Label 计算的 Mean Intersection over Union。对无 Part Class，IoU_p 等于 Binary Parent-segment IoU。逐类别公式为 PartPQ_c = sum IoU_p / (TP + 0.5*FP + 0.5*FN)，并可分解为 PartSQ 与 PartRQ。
PartRQ 使用与 PQ 相同的 Accepted Parent Match 和分母；PartSQ 则在 TP 上平均 IoU_p。PartRQ 较强而 PartSQ 较弱，可能表示对象已找到，但 Mask 或内部 Part 较差；只看 PartSQ 无法发现漏失对象。
固定 EvalSpec、Ignored Region 与实现版本
固定版本的参考 Evaluator从 EvalSpec 读取 Class Group，把有效 Part Region 完全未标注的 Ground Truth Segment 移除，在 Part Confusion 中排除 Undefined-part Pixel 与 Void/Crowd，并抑制主要落在 Ignored Region 的未匹配预测。
正式协议会分别报告 All Class、Class with Parts 与 Class without Parts。PartPQ 不能与 PQ、Part mIoU 或 Part-Whole Quality 互换，也不衡量 Boundary Safety、Hierarchy Calibration、Latency 或 Temporal Consistency。比较系统时必须保持 Dataset Version、Label Grouping、EvalSpec 与 Evaluator Commit 一致。
主要特点
- 以严格大于 0.5 的 IoU 匹配同类 Parent Segment
- 对有部件类别使用 Part-label Mean IoU
- 对无部件类别使用 Parent Binary IoU
- 沿用 PQ 分母惩罚 FP 与 FN
- 对有效 Scene Class 做 Macro Average 并支持分组报告
- 依赖 EvalSpec、Part Grouping、Void 与 Crowd Handling
常见用途
- 排序 Cityscapes Panoptic Parts 模型
- 评测 PASCAL Panoptic Parts Prediction
- 分离 Parent Recognition 与 Matched-part Quality
- 比较有部件类别与无部件类别
- 验证 Hierarchical Segmentation Export 与 EvalSpec
示例
Loading code...常见问题
PartPQ 如何计算？
先以严格大于 0.5 的 Binary IoU 匹配同类 Parent Segment；有部件类别累加 Part-label Mean IoU，无部件类别累加 Binary Mask IoU，再除以 `TP + 0.5 FP + 0.5 FN`，最后对有效类别做 Macro Average。
PartPQ 与 Panoptic Quality 有什么区别？
两者使用相同 Parent-segment Recognition Gate 与分母。PQ 用 Parent Mask IoU 奖励每个 Match；PartPQ 对有部件类别改用内部 Part-label Mean IoU，无部件类别则保留 Parent IoU。
正确 Part Label 能补偿未匹配的 Parent Segment 吗？
不能。只有 Prediction 与 Ground Truth Parent Segment 先通过同类 `IoU > 0.5` Gate，内部 Part Label 才会参与评测；失败的 Parent Match 贡献 FP 与 FN，而不是 Part Overlap。
PartSQ 与 PartRQ 分别代表什么？
PartSQ 对 Accepted Parent Pair 的 Match Quality 取平均；PartRQ 是由 TP、FP 与 FN 构成的 F1-like Recognition Term。两者乘积是逐类别 PartPQ，但都依赖 Evaluator 的 Part 与 Ignore Rule。
不同 EvalSpec 的 PartPQ 可以直接比较吗？
不能可靠比较。Scene Class、Part Class、Grouped Label、Unknown-part Treatment、Void/Crowd Mask 与 Eligible Segment 都可能不同。应报告 Dataset Version、EvalSpec、Evaluator Commit 及 With-parts/No-parts 分项。