1语义分割与像素分类
闭卷重建语义分割与像素分类的对象、公式、算例、算法与失败边界。
计算机视觉 · 小纸条
选一章打印。双面打印（按长边翻页）后沿虚线剪开，每张卡片正面题目、背面答案。
第 1 页 · 正面（题目）
2交叉熵、Dice与类别重叠
闭卷重建交叉熵、Dice与类别重叠的对象、公式、算例、算法与失败边界。
3编码器—解码器与跳跃连接
闭卷重建编码器—解码器与跳跃连接的对象、公式、算例、算法与失败边界。
4实例分割与掩码质量
闭卷重建实例分割与掩码质量的对象、公式、算例、算法与失败边界。
5全景分割与一致性
闭卷重建全景分割与一致性的对象、公式、算例、算法与失败边界。
6弱监督、半监督与伪标签
闭卷重建弱监督、半监督与伪标签的对象、公式、算例、算法与失败边界。
7边界、细目标与分割部署
闭卷重建边界、细目标与分割部署的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：像素交叉熵逐点分类，Dice/IoU直接关心区域重叠；平滑项和空类别处理需声明。；公式：Dice=2TP/(2TP+FP+FN)。；算例：TP=40、FP=10、FN=20，Dice=80/110≈.7273。；边界：空真值/空预测除零；只优化Dice导致概率校准差未检查。。
对象：语义分割为每个像素分配类别但不区分同类实例；标签边界、ignore区域和下采样对齐重要。；公式：pixel accuracy=correct labeled pixels/all evaluated pixels。；算例：1000评估像素中900正确，像素准确率90%。；边界：背景占多数使像素准确率虚高；resize标签使用双线性产生非法类。。
对象：实例分割同时检测对象并为每个实例预测mask；框、类别和mask错误会相互传播。；公式：mask AP uses ranked instance predictions over IoU thresholds。；算例：两个相邻同类物体语义mask连在一起，实例方法需分成两个ID。；边界：用框IoU代替mask IoU；resize回原图发生错位。。
对象：编码器压缩语义，解码器恢复分辨率，跳跃连接补细节；上采样对齐影响边界。；公式：output stride=input resolution/feature resolution。；算例：输入512、特征32，output stride=16。；边界：随意crop对齐掩盖一像素偏移；高分辨特征耗显存失控。。
对象：昂贵像素标注可由图像级、框、点或无标签数据辅助；伪标签阈值和确认偏差必须评估。；公式：effective pseudo-label count=accepted count×estimated precision。；算例：接受1000伪标签、估计精度.9，约900个有效正确标签。；边界：用模型自己的高置信输出证明自己；稀有类伪标签几乎没有。。
对象：全景分割统一可数thing实例和不可数stuff区域，每像素只能有一个类别/实例归属。；公式：panoptic quality≈segmentation quality×recognition quality。；算例：SQ=.8、RQ=.75，PQ=.6。；边界：多个mask重叠按分数覆盖导致stuff孔洞；同实例ID跨图复用。。
对象：边界质量受标注模糊、下采样、后处理和输入尺寸影响；部署需计预处理、切片与拼接。；公式：boundary error can be measured within tolerance band。；算例：容许2px边界带时命中率高，不代表精确轮廓；需报告容差。；边界：只看整体IoU；瓦片重叠处出现接缝却未计。。