P38 · 让细位置与深层语义重新配合

同一组分割实验里，简单模型为何值得留下

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。

这条主线的课后顺序：先看输出，再做一项完整实验

不必按 Notebook 编号把所有内容从头运行。若刚听完课堂，先用 P25 的同一底图区分类别、框、语义与实例，再用 P41–45 的两个算例区分读取错位与表示碰撞。它们构成理解空间任务所需的最短连续线。

随后只选一项完整学习过程：关心对象位置就读 LAB10，沿图像、目标、匹配、分类/位置损失、预测与错误图走完；关心面积或边界就读 LAB11，比较 RGB 基线与 FCN、查看逐类 IoU 与窄缝错误。无需为了“完整”同时训练两本，也不要把只跑通环境当成理解模型。

LAB09 是检测公式的工作台，遇到匹配、NMS 或 AP 不清时按问题查；LAB03 是同源场景与空间读数的轻量练习。LAB16 的颜色连通域和 LAB20 的集合匹配放在选读，分别解释提示约束和对象排列，不与两项主实验争夺主线。

CLS02 提供区域到掩码的连续导读；CLS07、CLS08 分别展开检测公式与实例输出。各处按教师定稿名称和稳定 ID 回链。每个解释块有独立 URL，可直接带着具体问题交给 AI；链接中的正文先提供推理，再连接代码与原论文。