实例分割（instance segmentation）
/ IN-stuns seg-men-TAY-shun /
实例分割是日常视觉任务里要求最高的一种：它为每一个独立的物体生成一张像素级精确的掩膜——也就是精确的轮廓——并且即便它们属于同一类别，也要把它们一一区分开。想象三只相互重叠的羊：实例分割会输出三张各自独立的掩膜，一羊一张，每张都描出那只动物精确的轮廓。它是检测（有哪些物体、在哪里）与分割（精确形状）的融合，还额外具备了数数和区分个体的能力。
可以把它看作两个早先想法的合并。目标检测为每个物体给一个框，能数出数量，但框只是个粗糙的矩形。语义分割给出精确的像素轮廓，却把同类物体并成一团。实例分割则同时做到两者：这个像素是「人」，而且具体是「第二个人」。最有名的方法Mask R-CNN，干脆在Faster R-CNN检测器上加装一个预测掩膜的分支——先找到每个物体，再涂出它精确的形状。
它驱动着那些必须把单个物体干净地分离出来的任务：机器人从杂乱料箱里抓取某一件、在显微镜切片上数细胞、为交通分析把每辆车分开，或是把照片里的某个人抠出来。诚实地说，代价很高。训练数据贵得吓人——得由人工一笔一笔描出每个物体的轮廓——而且模型比单纯的检测更笨重、更慢。在相互接触、长得又像的物体之间，那条边界，始终是错误最容易钻进来的地方。
一台仓库机器人朝一箱完全相同的盒子里看。实例分割为每个盒子返回一张独立的掩膜——盒子1、盒子2、盒子3——每张都精确勾出轮廓，于是机械爪能准确知道一个盒子在哪儿结束、下一个从哪儿开始，即使它们彼此重叠。
同一类别，但每个物体各有自己的掩膜——检测、精确形状与计数三者合一。
实例分割往往就是人们想象中「AI看见物体」真正应该有的样子——但它是标注和运行成本最高的任务之一。还有一种全景分割（panoptic segmentation），它把针对可数物体的实例掩膜，与针对天空、道路这类无定形物质的语义区域，结合在一起。