第五章：计算机视觉（Computer Vision）- 项目实战之目标检测实战
第一部分：图像分割理论
第二节：图像分割衍生：语义分割、实例分割、弱监督语义分割
在计算机视觉中，图像分割（Image Segmentation） 不仅仅停留在"像素级划分"的基础层面，而是逐渐发展出不同的分支方向，以适应不同的任务需求。常见的衍生形式包括 语义分割、实例分割、弱监督语义分割 等。
1. 语义分割（Semantic Segmentation）
-
定义：将图像中每个像素点分类到一个语义类别，例如"人、车、树、道路"。
-
特点：
-
关注的是类别而非具体实例。
-
同类物体的像素会共享同一个标签。
-
-
应用场景：自动驾驶中的道路场景解析、医学影像分割（如肿瘤区域识别）。
-
代表方法：
-
FCN (Fully Convolutional Network)：首次将卷积网络用于像素级预测。
-
U-Net：在医学图像中应用广泛，采用"编码器-解码器"对称结构。
-
DeepLab 系列：引入空洞卷积（Atrous Convolution）提升感受野。
-
2. 实例分割（Instance Segmentation）
-
定义：不仅要识别像素属于哪个类别，还要区分同一类别的不同实例。
-
特点：
-
每一个目标实例拥有独立的像素掩码。
-
属于"检测+分割"的综合任务。
-
-
应用场景：自动驾驶中区分每一辆车，安防监控中检测人群中的个体。
-
代表方法：
-
Mask R-CNN：在 Faster R-CNN 基础上增加了一个分支，用于预测实例掩码。
-
YOLACT：轻量化的实时实例分割模型。
-
3. 弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）
-
定义：利用不完整或弱标注数据（如图像级标签、点标注、边界框标注）来训练分割模型。
-
动机：像素级标注非常昂贵，弱监督分割大幅降低标注成本。
-
标注形式：
-
图像级类别标签（仅知道图像中有哪些类别，不知道具体位置）。
-
边界框标注（仅框出大致位置，不标注每个像素）。
-
点标注（仅在目标区域打点）。
-
-
应用场景：大规模医学影像分割、遥感影像分割。
-
代表方法：
-
CAM (Class Activation Map)：利用分类网络的激活区域作为伪标签。
-
AffinityNet、SEAM：通过像素间关系传播标签信息。
-
4. 三者对比总结
| 分割类型 | 标注粒度 | 是否区分实例 | 标注成本 | 应用难度 | 代表模型 |
|---|---|---|---|---|---|
| 语义分割 | 像素级 | 否 | 高 | 中 | FCN, U-Net, DeepLab |
| 实例分割 | 像素级 + 实例 | 是 | 高 | 高 | Mask R-CNN, YOLACT |
| 弱监督语义分割 | 图像级/点/框 | 否 | 低 | 较高 | CAM, SEAM |
总结：
-
语义分割 → 关注类别。
-
实例分割 → 关注类别 + 个体。
-
弱监督分割 → 降低标注成本，用弱标签训练出语义分割能力。