CLS 08 · 密集预测、实例与集合输出

一张类别图怎样成为可训练的输出

按问题继续

像素损失、IoU口径、粗细表示、实例身份与集合输出

学习路径： 像素、边界与对象身份

本册承接 P36 的逐像素任务，解释 LAB 11 为什么需要新的目标、损失和评价。先读 logits/目标/ignore，再用 8×8 算例区分前景 IoU、两类 mIoU 和像素准确率；最后看语义类别为何不能唯一给出实例身份。

希望先看结果，可读 RGB 读出与 FCN 的对照；希望核一个指标，可引用 0.667 与 0.75 的完整算例。读完应能解释“框对了但边界仍错”和“所有杯子像素对了但实例仍未分开”这两个缺口。

坐标采样的动手入口是 LAB 03；多尺度和集合匹配留在本册后部选读。它们不要求在理解像素预测前先完成。

一个框可以同时包住杯身、杯把和杯把中的背景。框坐标全对，仍不代表我们知道每个像素属于谁。若两只杯子接触，语义分割可以把它们都标成“杯子”，但要分别计数和操作，就还需区分实例身份。这里不是同一个答案换显示颜色，而是输出空间和监督单位发生了变化。

一张类别图怎样成为可训练的输出

语义分割的输出通常为 $Z\in\mathbb R^{N\times C\times H\times W}$，其中 $N$ 是 batch，$C$ 是类别数，$H,W$ 是空间大小。目标 $Y\in\{0,\ldots,C-1\}^{N\times H\times W}$ 是整数类别图。对每个有效像素做 softmax 交叉熵，再按有效像素数平均：

$$L=-\frac{1}{|\Omega|}\sum_{(n,u,v)\in\Omega}\log p_{n,Y_{nuv},u,v}.$$

$\Omega$ 排除 ignore label，例如未标注区域。ignore 不应变成一个额外背景类，也不进入评价混淆矩阵。二类任务可以用一个 foreground logit 加 sigmoid/BCE，也可以用两个 logits 加 softmax；张量形状和损失接口必须与这种选择一致。

FCN 用卷积保持空间网格并输出位置相关分数，再把较粗分辨率恢复到目标大小。U-Net 的编码—解码结构把深层上下文与浅层高分辨率特征通过跳连结合；这种连接提供额外可用信息，而不仅是把同一张粗图放大。D2L §14.11 FCN · U-Net 原论文。图像和 mask 的裁剪、翻转、缩放必须使用同一几何变换，否则网络被要求把一个位置的像素对应到另一个位置的标签。

上采样能增加格子，不能单凭格子恢复被删掉的区别

最近邻复制相邻值；双线性插值对邻域数值加权。给二维网格

$$F=\begin{pmatrix}0&10\\20&30\end{pmatrix},$$

在横坐标 $x=0.25$、纵坐标 $y=0.5$ 处，四点权重为 $0.375,0.125,0.375,0.125$，插值得到 12.5。它精确说明怎样从已有数值取连续位置，不能保证 12.5 就是原始图像那一点的真实内容。

如果两个 $2\times2$ 图案“左半亮”和“右半亮”都被平均成 0.5，任何只拿这个平均值的确定性解码器都必须给二者相同输出。增加一个“左减右”通道后才可以区分。这是 LAB 03 的表示碰撞例；它解释为什么需要保留空间信息，而非只提高显示分辨率。

类别 mask 本身是离散 ID，通常用最近邻几何采样。对类别编号 1 和 3 做双线性插值，得到 2 并不意味着中间真的存在第 2 类。模型的连续 logits 或概率图则可以按适当约定插值，再 argmax/阈值。插值坐标约定也要固定，例如是否对齐端点；同样叫 bilinear 的两个设置可能在边界位置不同。

一个 8×8 反例怎样澄清四种指标

设真值前景有 16 像素，从真值 mask 平均降采样再最近邻恢复并阈值化后，预测前景有 24 像素，其中真阳性 16、假阳性 8、假阴性 0、真阴性 40。这是采样机制例，预测过程直接使用了真值 mask，不能当作看图模型的能力证据。

三张网格由同一组 8×8 数组绘制。目标矩形为行 2–5、列 3–6（从 0 计数）；阈值化最近邻恢复多出了 8 个前景像素。

“mIoU=0.667”在这个例子里错在名称：0.667 是单类前景 IoU。若报告不含背景的类均值，应写清类别集合；若某类真值和预测都为空，要说明是忽略该类还是采用约定值。背景占比很高时，全预测背景也可能有高像素准确率，所以要看逐类混淆和边界错误，而不只看一个总数。

真正视觉模型必须从图像推断 mask。LAB 11 先保留上述采样例及最近邻/双线性比较，再进入小型像素模型。两段实验分别检验采样损失和学习能力，结论不互相替代。

主实验在 2026-09-22 本地 CPU 完成训练，384 张训练图、128 张保留图，输入 48×48 RGB。三类为背景、红矩形、蓝椭圆，目标形状为 [B,48,48]，logits 为 [B,3,48,48]，ignore label 255 在损失与指标中均被排除。20,590 参数的小型 FCN 将 12×12 粗 logits 双线性上采样并融合精细跳连，训练 20 epoch；另训练只有 12 个参数的逐像素 RGB 线性读出作基线。

RGB 基线满分说明原数据颜色已直接泄露类别，不能据 FCN 高分宣称它学会了复杂形状或需要深层上下文。模糊后边缘颜色混合，FCN 在这个干预下更稳健；这才是当前对照支持的具体比较。原始条件下 FCN 的逐类 IoU 为背景 0.99861、矩形 0.99833、椭圆 0.97429，较细曲线边界更难。

保持已训练参数，测试时仅把粗 logits 的双线性插值改为最近邻，mIoU 降到 0.91180。这说明当前网络对训练时的采样约定敏感，不能把它读作“最近邻永远更差”，因为网络没有在两种上采样设置下分别重训。前面的已知 mask 热身中，双线性分支前景 IoU 仍为 2/3，背景 IoU 为 0.88462、两类 mIoU 为 0.77564；指标差异与模型泛化仍须分开。