# 同一组分割实验里，简单模型为何值得留下
[独立阅读](/course/blocks/pixel-model-positive-result.html)**课堂上下文：从哪个问题来**
FCN 从逐像素类别图出发，独立于区域检测路线。将 `[B,C,H,W]` logits 与 `[B,H,W]` 标签一一对应，理解分割损失和 ignore 像素。LAB11 从图像预测 mask；已知 mask 的缩放练习只检验采样，不检验视觉预测。


当前 LAB11 同时训练逐像素 RGB 线性读出和小型 FCN。输入 48×48 RGB，标签是背景、红矩形、蓝椭圆；384 张训练图与 128 张保留图按场景种子分开。FCN 用粗分数与细分支融合，RGB 基线则只用 `Conv2d(3,3,1)`，共 12 个参数，不能看邻域。



已有 2026-09-22 本地完整运行中，原始合成图的 RGB 基线三类 mIoU=1，FCN=.99041；对输入做 5×5 模糊后，二者变为 .84996 与 .92397。原分布上简单模型胜出说明颜色已足够决定类别；模糊使边缘颜色混合，FCN 利用邻域在该干预下更稳健。两项观察共同说明为什么需要基线：它既暴露任务太容易的地方，也帮助找出复杂结构实际增加能力的条件。



同一 FCN 参数，推理时仅把双线性改为最近邻，mIoU 变成 .91180。这检验训练/推理采样约定的敏感性，没有分别重训两种网络，不能当成插值方式的普遍排名。



本轮整理只复用已有记录，没有重跑。完整学习证据在 RGB→模型→logits→mask 链条；P37 的已知 mask 缩放热身则解释采样，二者都保留，作用分清。


## 继续阅读与实验