（一）語義分割與例項分割的區別：
在深度學習層面，分割任務都是畫素級任務，語義分割標籤數量固定，本質是對於每個畫素的分類問題。
而例項分割需要分辨出每個例項，類別其實是不確定的，所以不能算作分類問題。
(二)現階段例項分割的主要分支
1.proposal-based method
基於區域的二階段方法：是現階段精度最高的例項分割方法，首先通過目標檢測模型發現感興趣的區域，之後在這個區域裡進行分割。主要包括maskrcnn、panet、htc(hybrid task cascade)
基於區域的一階段方法：為了彌補一階段在目標檢測中空白，湧現了一波基於一階段目標檢測的例項分割方法，但在精確度和速度之上都沒有決定性的優勢，不像yolov3能夠實現實時的目標檢測，一階段的例項分割方法僅能提高一些速度，主要包括retinamask
2.proposal-free method
該類方向想要脫離區域限制，主要因為基於區域的例項分割方法在分割物體邊界上不占有優勢，使得邊界不夠精確，同時速度也受到很大的限制，因此提出了porposal-free方法。該類方法主要採用embedding的思想，將原來的空間對映到embedding空間（比如對映到d維向量），可以認為是將每個畫素轉化為乙個向量，使得屬於相同例項的向量相似度大一些，距離近。不同例項相似度小，距離遠。思想有點類似於triplet loss。然後在對生成的向量進行分組聚類實現例項分割。目前主要的方法有：更改損失函式的（semantic instance segmentation with a discriminative loss function）、更改cnn結構的（semi-convolutional 消除cnn網路的平移不變性）、讓網路自我學習的（assciative embedding）等等。
（三）目前面臨的困難與挑戰
1.實時性
現在很少有例項分割能夠實現實現實時，我知道的大概有yolact
2.遷移
如何能將語義分割中比較好的結構和框架應用至例項分割中
（四）例項級人體細粒度分割
instance-level human parsing/instance-level human analysis/dense pose estimate
來自於human parsing(人體細粒度語義分割，其實人體細粒度語義分割本質上就是語義分割，分類任務,為了引入人的結構特點，形態學束縛，所以一般會引入pose estimate).
除了對人進行例項級分割外，還提供對人的頭髮，上衣等細粒度進行分割。主要包括parsing rcnn、pgn(instance-level human parsing via part grouping network [no-detection method])
densepose也相當於人體部分分割
(五)分割的各類指標
1.引一下寫的比較好的部落格
補充：overall iou:指所有**與gt交集的和除以**與gt的並集
mean iou:指每張的**與gt交集除以**與gt並集的平均值
其中miou和ap指標主要對分割內部畫素敏感，對於邊界的正確率的提高並不敏感。
（the standard intersection-over-union based metrics for these tasks (mask ap and miou) are biased towards object-interior pixels and are relatively insensitive to boundary improvements.）
Segmentation 傳統分割演算法
本文將繼續介紹常見的影象處理演算法之影象分割演算法,影象分割是從影象中找出目標所在的區域，把影象分成若干個特定的 具有獨特性質的區域並提出感興趣目標的技術和過程。下圖是影象分割的兩個例子，分別從原始影象中分割出花和人物。其實簡單理解，通常情況下影象分割就是去除影象背景提取感興趣區域的過程。基於閾值的...
python檔案分割，列表分割
python分割檔案或列表作為多執行緒，多程序輸入 path為檔案路徑，n每個分割塊的大小 import pandas as pd def split file path,n df pd.read table path,iterator true loop true chunks while loo...
語義分割 例項分割 全景分割的關係和區別
這三者的區別請參考超畫素 語義分割 例項分割 全景分割 傻傻分不清？簡單來說 1.語義分割是最簡單的，對每個畫素做分類，比如說將這幅影象分為人和汽車。但是具體有三個人，無法對這三個人做具體區分。注意是每乙個畫素點，不分前景 背景。2.例項分割是在語義分割的基礎上，對這三個人做具體區分，分出甲 乙 丙...