7.10 图像分割：像素级的理解
分类告诉你”图片里有猫”，检测告诉你”猫在 (100, 200) 到 (300, 400) 这个框里”，分割告诉你每个像素属于什么——猫的每一根毛、背景的每一片叶子都被精确标注。
7.10.1 语义分割（Semantic Segmentation）：每个像素一个类别
FCN（Fully Convolutional Network，2015）：第一次用全卷积网络做分割——去掉全连接层，全部用卷积层，输入任意尺寸的图片，输出同尺寸的分割图。核心创新是”跳跃连接”——将浅层的高分辨率特征和深层的低分辨率语义特征融合，既保留空间细节又有语义理解。
U-Net（2015）：为医学影像分割设计，结构像一个”U”——左边是编码器（逐层降采样提取特征），右边是解码器（逐层上采样恢复分辨率），中间有跳跃连接将编码器和解码器的对应层连接起来。U-Net 用极少的训练数据（几十张医学影像）就能达到很好的分割效果，是医学影像分割的事实标准。
DeepLab 系列：Google 的分割方案，核心创新包括：
- DeepLabv1/v2：空洞卷积（Atrous Convolution）在不损失分辨率的情况下扩大感受野
- DeepLabv3：空洞空间金字塔池化（ASPP）——用不同 dilation rate 的并行空洞卷积捕获多尺度上下文
- DeepLabv3+：加入编码器-解码器结构，进一步恢复边界细节
7.10.2 实例分割（Instance Segmentation）：区分同一个类别的不同个体
语义分割把所有”人”标记为同一个类别——你分不出”张三”和”李四”。实例分割把每个个体分开。
Mask R-CNN（2017）：在 Faster R-CNN 的基础上加了一个”掩码分支”——在检测框内预测一个二值掩码（哪些像素属于这个物体）。Mask R-CNN 同时做检测和分割，是实例分割的里程碑。
关键创新：RoI Align（替代 RoI Pooling）——用双线性插值精确对齐特征，解决了 RoI Pooling 的量化误差问题。这对分割精度至关重要（检测允许几个像素的误差，分割不行）。
YOLOv8-seg（2023）：YOLO 系列的分割版本，将实例分割集成到 YOLO 框架中，在保持实时速度的同时做分割。
7.10.3 全景分割（Panoptic Segmentation）：语义 + 实例的统一
全景分割同时做语义分割（背景类：天空、道路、草地）和实例分割（前景类：人、车、动物）。每个像素要么属于某个”东西”（thing，可数的个体），要么属于某个”东西”（stuff，不可数的背景）。
7.10.4 SAM（Segment Anything Model，2023）：分割的 ChatGPT 时刻
Meta 发布的 SAM 是一个”分割基础模型”——在 1100 万张图片、11 亿个掩码上训练，可以用点、框、文字提示来分割任意物体。SAM 的关键突破：零样本分割——不需要在你自己的数据上训练，直接用提示就能分割。
SAM 2（2024）：扩展到视频分割，支持在视频中跟踪和分割物体。SAM 2 的内存机制让它可以记住之前帧中的物体，在后续帧中持续跟踪。
2026 年的分割格局：SAM 系列成为分割的基础设施——医疗、遥感、自动驾驶等领域都在 SAM 基础上微调。分割不再是一个”需要大量标注数据”的任务，而是”用 SAM 先预分割，再人工修正”。
← 上一节：7.9 目标检测 — 从 R-CNN 到 YOLO ｜ 下一节：7.11 CNN vs ViT vs 混合架构：2026 年 CV 领域格局 →