语义分割

语义分割是这样一种视觉任务：给一张图像里每一个像素都涂上一个标签，说明它属于哪一类东西。系统不是在汽车外面松松地画一个框，而是针对画面里的每一个小点，判断它是马路、天空、汽车、树木还是人——从而生成一张严丝合缝盖在照片上的“按编号填色”地图。如果说目标检测给你的是一个粗略的矩形，那么分割勾勒的则是万物真正的轮廓，细到一片树叶的锯齿边缘、或一道路缘的弧线。

“语义”这个词，只是说这些标签讲的是“含义”、是东西的类别，而不是一个个具体的身份。所以在一幅街景里，所有汽车都被涂成同一种“汽车”颜色，所有行人都被涂成同一种“人”颜色；语义分割并不费心去把第一辆车和第二辆车分开。（把一个个具体个体区分开来，是一项相关但不同的任务，叫做实例分割。）这张精确到像素的类别地图，正是自动驾驶汽车所需要的——当它要分毫不差地知道：可行驶的马路在哪里到头、人行道又从哪里开始。

和其他现代视觉任务一样，语义分割也是用神经网络来完成的，这些网络是在人类逐个像素辛苦手工标注好的图像上训练出来的。网络把整张图读进去，一次性地为每一个像素输出一个标签。对机器人而言，这种稠密的理解能够支撑导航（哪些是我可以滚过去的地面？）、操作（这个物体的表面究竟在哪里？），以及在人和障碍物周围安全地工作。