1.8 检测与分割极简史：知道即可的一章

本章定位：诚实的定位——这是全书最薄的一章。检测/分割的传统内容已工业化（1.1 §6 的存量市场判断），你需要的只是：任务定义、演化脉络、几个绕不开的名字（U-Net！），以及评测常识。学完标准：30 分钟后能在任何对话里不掉链子，并把注意力留给真正要紧的 U-Net。

1. 任务定义一张表

任务	输出	例子
分类	全图一个标签	猫/狗
检测	框 + 类别	找出图里所有的行人
语义分割	每像素类别（不分实例）	所有”路”的像素
实例分割	每个物体的像素掩码	每个行人各自的轮廓
全景分割	语义 + 实例合体	前景逐物体 + 背景逐类

评测常识：检测用 mAP（按 IoU 阈值判定命中，对置信度排序算精度-召回曲线下面积）；分割用 IoU/mIoU（交并比）。知道”IoU 0.5 是及格线惯例、mAP@50 vs mAP@50:95 的区别”即可。

2. 检测极简四幕剧

1. 传统时代：HOG+SVM、DPM——滑窗+手工特征（1.1 存量市场的注脚）；
2. 两阶段 CNN 时代：R-CNN 家族（选择性搜索/Region Proposal Network 先提候选框，再分类精修）——精度高、速度中；Faster R-CNN 是两阶段的完成体；
3. 单阶段时代：YOLO/SSD——一次前向直接出框（回归式），快到能上嵌入式——工业部署至今的主力（巡检/安防/车载）；Focal Loss（RetinaNet）解决正负样本失衡，是训练技巧史的名场面；
4. Transformer 时代：DETR——把检测改写成”集合预测”：固定 100 个 object query（可学习的”格子”）查图像特征，输出恰好 100 个（类别, 框），用匈牙利匹配做一对一监督——彻底删掉了 NMS 后处理和候选框概念，架构优雅；后续 DINO-DETR 等把精度做到全面领先。

现状一句话：部署看 YOLO 系，研究看 DETR 系；两者你都不必复现。

3. 分割极简四站

FCN（全卷积，像素级预测的开山）→ U-Net（★全书级重要）→ Mask R-CNN（检测+实例分割合体）→ SAM（1.7 的基础模型时代）。

为什么 U-Net 单独加星：编码器-解码器 + 跳跃连接的结构（4.4 §2.2 讲过），是医学影像的常青主力，也是 SD 扩散 U-Net 的直系祖先——“学会了 U-Net，半只脚踏进医学影像 + 一只脚站在扩散模型里”。它的思想（下采样提语义、上采样还细节、跳跃连接直通细节）在 4.4 已拆解，这里只需记住名字与血缘。

4. 与你主线的接口

• 检测 → grounding：VLM 的指框能力（Qwen-VL 系，3.5）本质是”语言条件检测”——DETR 的 query 思想与 LLM 的结合是当前开放词汇检测的研究面；
• 分割 → SAM 时代：1.7 已讲；传统分割（U-Net 系）仍统治医学影像——AI for Science（5.7）的主要工具；
• 对你的行动建议：知道即可（本章定位），把省下的时间投给卷2/卷3——这是本笔记”传统只留薄底”原则的最后一次执行。

5. 自测题

1. 语义/实例/全景分割的区别一句话？（逐类 vs 逐物体 vs 两者合体）
2. 两阶段与单阶段检测的取舍？（精度 vs 速度——候选框精修 vs 直接回归）
3. DETR 的”集合预测”新在哪？（固定 query + 匈牙利一对一匹配，删掉 NMS 与候选框）
4. U-Net 为什么单独加星？（医学主力 + 扩散 U-Net 祖先——跳跃连接思想贯穿两域）
5. mAP 和 IoU 各测什么？（排序后的命中精度 / 掩码重叠度）
6. 本章为什么敢于”薄”？（传统检测分割已工业化——你的增量在多模态，不在 YOLO 调参）

6. 动手作业

1. 用 ultralytics（YOLO）跑一张图的目标检测，10 分钟体验”工业现成品”；
2. 手画 U-Net 结构图，标注每层分辨率与跳跃连接——为 4.4 的 SD 复习做准备；
3. 用 open 数据（如 COCO 的 20 张子图）手算 IoU 与 mAP@50（numpy 实现）——评测常识的肌肉记忆。

7. 延伸资源

• 《Object Detection in 20 Years: A Survey》——四幕剧的完整版（选读）
• U-Net 原论文（15 分钟）——血缘关系值得
• DETR 论文 §1–2——集合预测的思想