核心要点
区分语义、实例、全景分割
说明像素级标注与 mask 表示
了解 FCN、U-Net、Mask R-CNN 等架构
举出医学、自动驾驶等应用
标准回答
一、先给出结论和背景
- 任务定义：输入图像 $H imes W imes 3$，输出 $H imes W$ 标签图（mask）。
- 分割类型：- 语义分割：同类像素同标签（路面、天空）
- 实例分割：区分每个行人、每辆车（Mask R-CNN）
- 全景分割：语义（stuff）+ 实例（thing）统一（Panoptic FPN）
二、拆开关键步骤和判断点
- 经典架构：- FCN：全卷积端到端，上采样恢复分辨率
- U-Net：编码器-解码器 + 跳连，医学常用
- DeepLab：空洞卷积扩大感受野 + ASPP
- Mask R-CNN：检测框 + 每实例 mask 分支
- 损失：交叉熵、Dice、Focal Loss（类别不平衡）
三、补上落地边界和取舍
面试里可以补一个视觉任务例子：计算机视觉中的图像分割是什么 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
回答思路
【定义】用一句话说清「计算机视觉中的图像分割」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：混淆检测框与分割 mask；语义实例不分；不说清评价指标（mIoU）。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
