语义分割是当今计算机视觉领域的关键问题之一。近年来随着深度学习的普及，语义分割已在自动驾驶、医疗图像识别等众多领域实现广泛应用。

到底什么是语义分割?

语义分割需对图中的所有物体进行检测和分割，观察语义分割后的图像可发现，整幅图像由各种色块组成，每类元素都有自己独特的颜色，该方法即要把所有目标都检测出来，又要区分出同个类别中的不同实例，让我们对图像的理解更加详细，这种对细节的理解在很多领域都非常重要，尤其是在自动驾驶、机器人与搜索引擎中。

语义分割有多种子类型，但它们都以数据维度和 生成标注的粒度为基础。

维度

根据数据的维度，可通过使用不同类型的语义分割生成分割掩码。在2D情况下，图像分割基于像素或多边形的着色完成。每个像素都都有对应的标注类目。对于3D标注，分割则基于点云来完成，当在单个对象上给出足够多的点时，可以提取分割网格。

2D全景图像分割

3D点云分割

粒度

粒度是指生成标注的精度水平。基于粒度可分为种类与实例感知两种分割技术。第一种情况，给定类的分割掩码会覆盖代表该类成员的所有区域。而对于第二种情况，标注员需为所选类别的每个单独对象创建一个单独的分割掩码，从而区分不同的物体。

基于种类的语义分割

基于实例感知的分割

哪种语义分割类型在机器学习中最有用?

语义分割主要依靠深度学习来完成，其包含监督学习与无监督学习，尽管人类在无监督学习研究中已取得重大突破，但对于某些对象类别，无监督算法下的标注质量不足以训练精确的模型。因此，依靠无监督学习自动标注方法来产生分割掩码的方法仍无法实现。

当下市面主要运用的技术是使用深度学习方法进行有监督的手动语义分割。该方法利用卷积神经网络(CNN)为每个像素分配一个初始类别标签。一般而言，应用于语义分割模型的流程为输入、分类、后处理至最终导出结果。但如没有专门的工具，在标注单个帧很容易出错，且通常因需要较长工作时间导致效率低下。

解决方案

曼孚科技的SEED数据服务平台，可根据定制化属性快速、精细地完成对图片中指定区域或全部区域的区块填充分割，高效完成图片语义分割标注任务，选择曼孚科技作为您的数据标注服务商可降低标注过程相关的成本，并减轻大量操作负担。