语义分割
一种密集预测任务，要求为图像中每个像素分配语义类别标签
时间轴 (近 90 天)
SegFormer是一种基于Transformer的语义分割模型，采用分层编码器结构，无需位置编码即可处理任意分辨率输入，擅长捕捉细粒度区域，但计算开销高于分类模型。
餐厅CV系统需要同时解决座位占用检测和桌面清洁度判断两个视觉任务，前者本质是目标检测与状态分类，后者更接近细粒度图像分类或语义分割。
现代灾前灾后影像对比方法更多采用深度卷积神经网络（如U-Net、ResNet等）进行语义分割，将影像像素分类为建筑、道路、水体、植被等类别，再判断各类别状态是否发生异常变化。
图像分割可分为三种主要类型：语义分割（为每个像素分配类别）、实例分割（区分同类别的不同个体）、全景分割（结合语义分割和实例分割）。
在导航系统中把障碍物误判为可通行区域（false traversable）是最致命的错误类型
在安全关键导航场景中，比mIoU更有意义的指标包括障碍物类别召回率和False Traversable Rate
为语义分割模型加入物理建模的恶劣天气增广后，真实天气「天空」类别的IoU在每一种架构上都下降，跌幅在1到13个百分点之间
语义分割（如U-Net）对数据标注质量和评估指标（mIoU）有更高要求
语义分割需要对图像中每一个像素分配类别标签，人工标注一张复杂图像可能耗时数十分钟
图像分割常借助深度学习中的语义分割模型如U-Net或Mask R-CNN实现，逐像素判断哪些区域属于鸟类主体
还有 1 条时间轴事件
全部知识事实 (11)
SegFormer是一种基于Transformer的语义分割模型，采用分层编码器结构，无需位置编码即可处理任意分辨率输入，擅长捕捉细粒度区域，但计算开销高于分类模型。
50%待验证餐厅CV系统需要同时解决座位占用检测和桌面清洁度判断两个视觉任务，前者本质是目标检测与状态分类，后者更接近细粒度图像分类或语义分割。
50%待验证现代灾前灾后影像对比方法更多采用深度卷积神经网络（如U-Net、ResNet等）进行语义分割，将影像像素分类为建筑、道路、水体、植被等类别，再判断各类别状态是否发生异常变化。
50%待验证图像分割可分为三种主要类型：语义分割（为每个像素分配类别）、实例分割（区分同类别的不同个体）、全景分割（结合语义分割和实例分割）。
50%待验证在导航系统中把障碍物误判为可通行区域（false traversable）是最致命的错误类型
50%待验证在安全关键导航场景中，比mIoU更有意义的指标包括障碍物类别召回率和False Traversable Rate
50%待验证为语义分割模型加入物理建模的恶劣天气增广后，真实天气「天空」类别的IoU在每一种架构上都下降，跌幅在1到13个百分点之间
50%待验证语义分割（如U-Net）对数据标注质量和评估指标（mIoU）有更高要求
50%待验证语义分割需要对图像中每一个像素分配类别标签，人工标注一张复杂图像可能耗时数十分钟
50%待验证图像分割常借助深度学习中的语义分割模型如U-Net或Mask R-CNN实现，逐像素判断哪些区域属于鸟类主体
50%待验证图层拆分技术融合了语义分割、深度估计和运动预测三个核心模块
50%