語意分割

語意分割是這樣一種視覺任務：給一張影像裡每一個像素都塗上一個標籤，說明它屬於哪一類東西。系統不是在汽車外面鬆鬆地畫一個框，而是針對畫面裡的每一個小點，判斷它是馬路、天空、汽車、樹木還是人——從而生成一張嚴絲合縫蓋在照片上的「按編號填色」地圖。如果說目標偵測給你的是一個粗略的矩形，那麼分割勾勒的則是萬物真正的輪廓，細到一片樹葉的鋸齒邊緣、或一道路緣的弧線。

「語意」這個詞，只是說這些標籤講的是「含義」、是東西的類別，而不是一個個具體的身份。所以在一幅街景裡，所有汽車都被塗成同一種「汽車」顏色，所有行人都被塗成同一種「人」顏色；語意分割並不費心去把第一輛車和第二輛車分開。（把一個個具體個體區分開來，是一項相關但不同的任務，叫做實例分割。）這張精確到像素的類別地圖，正是自動駕駛汽車所需要的——當它要分毫不差地知道：可行駛的馬路在哪裡到頭、人行道又從哪裡開始。

和其他現代視覺任務一樣，語意分割也是用神經網路來完成的，這些網路是在人類逐個像素辛苦手工標註好的影像上訓練出來的。網路把整張圖讀進去，一次性地為每一個像素輸出一個標籤。對機器人而言，這種稠密的理解能夠支撐導航（哪些是我可以滾過去的地面？）、操作（這個物體的表面究竟在哪裡？），以及在人和障礙物周圍安全地工作。