[LAB 11 · 从 RGB 到像素：读出、FCN 与边界](/course/notebooks/9e268706471944e3a59e6f568f9ce9a3.html)

# 已完成结果：复杂模型没有被安排成赢家
[独立阅读](/course/notebook-blocks/16412ad68e504e8f9b564ed686a53b4c.html)
按问题继续

前景/背景/mIoU口径、RGB到mask训练、FCN与1×1读出及边界

## 已完成结果：复杂模型没有被安排成赢家

本地 CPU 完整运行开始于 `2026-09-22T16:28:24.497499+00:00`，PyTorch `2.14.0+cpu`；源码 SHA-256 为 `ecbe38c4a53eb691b7e31be95eaa8ab3a0b93578005d2605072196cc5dc66445`。FCN 训练 CE 从 .85632 降到 .00492。下面 mIoU 均对背景、红矩形、蓝椭圆三个类别等权平均；先在整份保留集累计混淆矩阵，再计算逐类 IoU，未对每张图的 IoU 简单平均。

| 模型 / 输入条件 | 三类 mIoU | 结论能说到哪里 |
| --- | --- | --- |
| 随机初始化 FCN | .01470 | 尚未学到类别读出 |
| 训练后 1×1 RGB 读出 | 1.00000 | 本合成集每个像素颜色已足以分类 |
| 训练后 FCN，双线性 | .99041 | 学到图像到 mask，边界仍有少量错 |
| 同 FCN，最近邻 logits | .91180 | 改变上采样坐标权重影响空间决策 |
| 同 FCN，对象尺寸 ×.45 | .94396 | 细小蓝对象和窄缝更难保持 |
| 同 FCN，RGB 5×5 模糊 | .92397 | 边缘观测变弱时性能下降 |
| 同 RGB 读出，5×5 模糊 | .84996 | 无邻域基准受混合颜色更大影响 |

像素读出比 FCN 的原分布结果更好，是有意义的负结果：更复杂结构不是得分保证，数据又带有强颜色线索。在尺寸 ×.45 条件下读出仍为 1.0，说明纯颜色规则不会因为面积变小而失效；在模糊条件下，邻域 FCN 才表现出比单像素读出更强的耐受。这不能直接推广到真实语义分割，真实同类物体的颜色并不恒定。

![采样热身](/assets/display/0eb14c8f3f86cf2d8b3c9b65.webp)

![保留集逐像素预测](/assets/display/1b11f25259c1fe3405e0b7a5.webp)

错误最多的图 89 有 25 个有效像素错，图 125 有 18 个，图 56 有 16 个，图 92 有 13 个。图 89/125 的两个蓝椭圆间出现背景窄缝被填平的错误：mask 所需的边界证据可能在低分辨率表示中混合，即使细分支能改善，也不保证完全恢复。此处蓝色连通不等于实例计数正确，本册没有训练实例分割。

![错误像素与窄缝](/assets/display/f2028b85a049b53efbcbbb7a.webp)

尺寸 ×.45 后像素准确率仍有 .99816，但蓝椭圆 IoU 只有 .85763，红矩形 .97613，背景 .99812。小对象在整图像素数中占比太低，仅报告准确率会掩盖其损失。最近邻对照的蓝类 IoU 进一步降到 .80928，而背景 .98558，展示了不同类别边界受采样影响不同。

![小对象条件](/assets/display/a3b94d7df0f7bd4472d4f87d.webp)

下一次只把训练增强加入模糊，保持场景、epoch 和网络不变，再看“干净图/模糊图”两列是否同时改善。若想检验颜色捷径，应重新定义颜色与类别的生成关系并同时调整训练与测试协议；不能把标签含义改变的分布转移误说成边界采样问题。