同类像素与同一实例是两个概念。实例到类别的映射可多对一，连通块也不可靠地等于对象数。此页提出掩码必须随对象身份分别组织，为区域路线与像素路线的汇合提供具体理由。
同一底图并排叠加语义和实例 mask，杯柄孔洞和书遮挡保留；颜色分别编码类别和实例 ID。
现在看两只相邻的杯子。即使所有杯子像素都判对了，系统若只交付“杯子”这一类别，也还没有告诉我们每个像素属于哪一个对象。对语义类别来说，这未必是主要错误；对实例任务来说，答案就不够了。 实例分割要保留“这是哪一个对象”的身份。不能只把所有同类像素放进一个桶，也不能只提供外接框。 这让区域路线和像素路线有了自然的汇合点：先用区域组织不同对象，再在每个区域内部预测属于这个实例的像素。我们前面花时间讲区域表示和空间预测，到了这里就不再是两段独立知识。Mask R-CNN 把这两种要求放到了一套结构中。
把像素标为杯子类别，只声明“这里属于杯子集合”。实例标注还声明“这里属于杯一，那里属于杯二”。两只杯子即使同色、接触甚至相互遮挡，实例任务仍需给出两份对象身份。
考虑一行标签 [1,1,2,2]，其中 1、2 是两只杯子的实例号。将它们都映射到类别杯子=1，就得到 [1,1,1,1]。另一个实例划分 [1,2,2,2] 经同样映射也得到同一类别行。因此类别图不能唯一反推出实例边界。
连通域可以在“每个对象互不接触”的特定条件下帮忙计数，但一旦两只杯子相接，一个连通块可含两个对象；反过来同一被遮挡的对象还可能产生不连通的可见部分。对象身份不是连通性规则自动保证的属性。
区域路线给每个候选一份身份，像素路线给精细轮廓。把它们结合，就可以在“这个候选对象”之内预测局部 mask。这是进入 Mask R-CNN 的具体需求，而不是为了再增加一种模型名称。
原底图两杯相邻但没有相接，因此讲稿开头改成“现在看两只相邻的杯子”。它们若接触时语义同类与实例身份的差异仍成立，此页不假装底图已经接触。
用已保存的小算例落实上一页的对应问题，检查成本与数组顺序。
当前 LAB20 的第一项预测框在右侧，类别概率更支持第二类；第二项预测在左侧，更支持第一类。真值数组却按左、右保存。如果不考虑内容，直接让槽位 0 学真值 0，就人为制造了位置和类别冲突。
代码按教学定义 构造成本，得到约 [[5.0971,.4509],[.4779,5.6026]]。对角总代价 10.6997，交叉 .9288，因此最佳分配为槽位 0→真值 1、槽位 1→真值 0。只交换标注或预测数组的排列，最小内容对应仍然不变。
此处的负对数分类项、IoU 与系数是教学选择；官方 DETR matcher 使用其明确的分类、L1、GIoU 成本，不应声称公式逐项一致。匹配找到最低代价也不意味着检测正确：即使两项预测都很差，算法仍会选一个较便宜分配。检测质量仍要用保留数据与定位/类别标准评价。
本册另一小算例把 16 像素目标映到不同 stride 的连续跨度，属于尺度读取，与集合匹配不同。导航中把二者标为两项可单独读的短练习，学生无需为找一句机制解释穿过全部实验。
先读本页解释与图，再到 LAB03 改一个坐标或对象。