语义分割

一句话总结： 语义分割会为图像中的每一个像素标注类别标签，从而让机器获得对场景的细粒度像素级理解。

语义分割是计算机视觉中的一项任务。它将图像中的每个像素分类到预定义类别中——例如：道路、车辆、行人、天空或建筑。不同于用边界框的目标检测，语义分割会为每个类别输出精确的像素掩码，从而让模型更细致地理解目标的形状与位置。这种精度对自动驾驶与医学影像尤其关键。

分割类型

1. 语义分割：同一类别的所有像素共享同一个标签。两辆车都会标为“car”，不会区分不同实例。
2. 实例分割：区分同一类别中的不同目标个体。每辆车都有独立的 ID 和掩码。
3. 全景分割：两者结合——所有像素都有类别标签，同时对车辆、行人等可数对象分配唯一实例 ID。

关键模型架构

1. 全卷积网络（FCN）：首个端到端语义分割模型。用卷积层替代全连接层，实现像素级输出。
2. U-Net：带跳跃连接的编码器-解码器结构，是医学图像分割的标准架构。
3. DeepLab v3+：使用空洞卷积与 ASPP 捕获多尺度上下文，在基准数据集上达到 SOTA 水平。
4. Segment Anything Model（SAM）：Meta 的基础模型，可对任意对象类别进行零样本分割。

应用

1. 自动驾驶：实时分割道路、车道线、车辆与行人；并与LiDAR点云结合，实现 3D 场景理解。
2. 医学影像：在 MRI、CT 与病理扫描中分割肿瘤、器官与组织。
3. 卫星影像：从航拍图中绘制土地利用图、检测森林砍伐并监测基础设施。
4. 机器人：分割工作空间表面，以引导机械操作与安全导航。
5. 增强现实：分离前景与背景，用于场景叠加与特效。

分割模型的训练数据

语义分割需要密集标注的图像：每个像素都必须带标签——这属于最耗人力的数据标注形式之一。一幅驾驶场景要做到像素级精确标注，可能需要 90 分钟。来自仿真的合成数据可提供免费的像素级真实标注（ground truth），并显著降低标注成本。Bright Data 的 数据集提供大规模图像集合，用于构建可规模化的分割训练数据集。