在计算机视觉中，分割任务主要包括 语义分割 、实例分割 和 全景分割，它们有不同的目标和应用。以下是每种任务的简要说明：
1. 语义分割 (Semantic Segmentation)
语义分割的目标是对图像中的每个像素进行分类，即将图像分成不同的语义区域，每个区域包含相同类型的物体或背景。语义分割不区分同类物体的不同实例。例如，图像中的所有"车"像素都被标记为相同的类别，而不管它们是不同的车。
- 特点: 每个像素被分配一个类别标签。
- 应用: 自动驾驶、医疗图像分析（例如，肿瘤区域分割）、遥感图像分析等。
例子：
- 在一张街景图像中，语义分割可能将所有人、所有车、所有建筑物等像素分别标记为不同的类别。
2. 实例分割 (Instance Segmentation)
实例分割不仅要进行像素级的分类，还要区分同类物体的不同实例。也就是说，它既要标记每个像素的类别，又要确保不同的实例（即不同的物体）被区分开来。举例来说，若图像中有多辆车，实例分割会将每辆车的像素区域独立标注，避免把它们混在一起。
- 特点: 既做语义分割，又对同类物体进行区分。
- 应用: 自动驾驶、机器人抓取、视频监控分析等。
例子：
- 在街景图像中，实例分割不仅会标出所有车辆的像素区域，还会分别标识出不同的车辆。
3. 全景分割 (Panoptic Segmentation)
全景分割结合了语义分割和实例分割的目标，不仅要求对图像中的所有像素进行分类（语义分割），还要求对所有物体实例进行分割（实例分割）。全景分割将每个像素分配一个类别标签，并为每个物体实例分配一个唯一的标识符。它的优势在于同时处理了背景与物体的实例分割任务。
- 特点: 结合了语义分割和实例分割，全面标注图像中的每个像素，且对背景和物体实例都进行处理。
- 应用: 自动驾驶、场景理解、增强现实等。
例子：
- 在街景图像中，全景分割不仅会标记出所有车辆、行人、建筑等的类别，还会分别为每辆车、每个人、每座建筑分配不同的实例标识符。
总结
- 语义分割: 仅区分物体类别，不区分不同实例。
- 实例分割: 区分同一类别下的不同实例。
- 全景分割: 综合语义分割与实例分割，全面标注所有像素，处理背景与物体实例。
这些任务在自动驾驶、机器人视觉、医学影像分析等领域都有广泛应用，并且在模型设计上有不同的挑战和要求。
注意，这边红色部分指的是预测值为0而实际非0绿色部分指的是预测为0并且实际也为0灰色部分指的是预测就不为0的区域
对于右边的表格，其含义是在预测标签为X的情况下，实际的标签是0 1 2 3 4的分别有多少个
所以左上角的0 0被预测成 1 2虽然预测结果是错误的，但不属于误判为0这个错误，而是误判为1和2这个错误他们被统计的地方对应右边表格的第二、三行的第一列
分子为预测正确的像素个数，分母为总像素个数TP/(TP+FN)