語意分割

語意分割為每個像素塗上它所屬類別的名稱，到此為止。若一個街景中有三輛車，它們所有的像素都會被塗成單一顏色「汽車」——這個方法並不在意那其實是三輛分開的車輛。它回答「這個像素上是哪一種東西？」，卻從不回答「這是哪一個特定物體？」。

形式上，你先選定一組固定的類別（例如天空、道路、建築、行人、汽車）。網路為每個像素輸出一個跨這些類別的機率分布；取機率最高的類別即得到最終的標籤圖。訓練時最小化一個逐像素損失——通常是交叉熵（cross-entropy），並常搭配如 Dice 這類區域重疊損失以對抗類別不平衡。標準的基準度量是平均交集比聯集（mean IoU，mIoU）：對每個類別計算預測遮罩與真實遮罩之間的 IoU，再跨類別取平均，使稀有類別與常見類別同等重要。

其架構血脈始於全卷積網路（第一個端對端設計），歷經 U-Net、SegNet 等編碼器-解碼器模型，再到脈絡密集的設計如 DeepLab（空洞卷積、ASPP）與 PSPNet（金字塔池化），如今則有以 transformer 為基礎的模型如 SegFormer 與統一框架 Mask2Former。它們全都在與同一個「脈絡對解析度」的問題搏鬥：擷取足夠的周遭場景以正確標記某像素，同時保持邊界俐落。