准确度判断 语义分割_语义分割在目标检测的问题上准确率相差了多少呢？如果相差很多它的意义在哪？...

图片为语义分割标注，来自cityscapes数据集

区别和联系：

首先，从任务的目的上讲．语义分割更多的在强调目标的类别含义(class-level)，而目标检测更强调目标的物体含义(object-level)．换句话讲，语义分割不关注目标是否是一个物体，而是关注该目标属于哪一类；而目标检测关注的是一个目标的几何范围(bounding-box)和物体的类别．从这个意义上讲，语义分割是非实例化的，而目标检测是实例级别的，因此语义分割的结果是没办法直接转化为目标检测的bounding box的，也就是没办法求解上述第一个问题－－＂语义分割在目标检测的问题上准确率相差了多少呢？＂两者没办法进行归约.

其次，从标注的形式上讲．语义分割是像素级别(pixel-level)的，而目标检测是包围框级别(bounding-level)的．这两个是没有直接联系的，但是目前学术界的的一个分支是从目标检测到实例分割(object detection -> segmantic instance segmentation)，其实还有一个未曾开辟的方向是从语义分割到实例分割，这个方法目前几乎没人做(我还没看到过)．但是这个方向是有意义的，之后再说．这样，目标检测和语义分割其实可以汇聚到同一个任务．

意义：

目标检测更多是从计算机方便运算的视角出现的任务，在人类的认知视角中是没有boundxing box的概念的，但是由于规则的矩形适合计算机进行运算，因此即使在实例分割任务中人们也选择基于物体检测去做．而语义分割与人类认知类似，并且其是对物体轮廓有一个很好的刻画，能够更准确地应对复杂任务．

但是，在实际的任务过程中，单纯地从RGB图像中对物体进行语义分割和目标检测意义是不够大的，因为现实物体往往至少应该是三维的，处理三维数据得到的结构才能更好的标注进行决策．