核心要点
语义分割：给每个像素打类别标签，同类不同个体不区分（无实例概念）
实例分割：在检测基础上给每个物体输出独立掩码，区分同类的不同个体
全景分割：统一前两者，stuff 类（天空、道路）按语义、things 类（人、车）按实例
选型：只关心区域用语义，要数个体/抠图用实例，自动驾驶全场景用全景
标准回答
语义分割（Semantic）
为每个像素预测一个类别，不区分同类的不同个体。两个挨着的人会被合并成同一片「人」区域。代表方法 FCN、U-Net、DeepLab，常用每像素交叉熵训练，mIoU 评估。
实例分割（Instance）
在目标检测的基础上为每个物体实例输出一张独立掩码，同类的不同个体彼此分开。代表 Mask R-CNN（检测框内预测掩码），评估常用 mask AP / mAP。它不要求覆盖背景等不可数的 stuff 类。
全景分割（Panoptic）
统一前两者：不可数的 stuff 类（天空、道路）按语义处理，可数的 things 类（人、车）按实例处理，每个像素同时得到「类别 + 实例 ID」且不重叠。指标为 PQ（Panoptic Quality）。
常见误区
⚠️ 常见踩坑
把语义分割说成「能区分每个个体」——它只分类别不分实例；混淆全景分割与实例分割，全景还必须覆盖 stuff 背景类。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。