目标检测相关
（b）是语义分割，（c）是实例分割
-
目标检测 = 每个目标一个框+标签
-
实例分割 = 语义分割 + 识别每一个目标个体
目标检测基础上进一步提升模型能力有两个方向：实例分割、旋转目标检测。
实例分割
（1）定义
目标检测的进一步扩展，不仅定位物体的位置，而且给出物体的精确轮廓。它通常需要通过 mask 来标注每个物体的像素级区域。
（2）实现方式
一般是在目标检测的基础上，增加一个分割分支（输出掩膜 mask），典型代表是：
-
Mask R-CNN：Faster R-CNN 加上分割头
-
YOLACT / SOLO / Mask2Former：更快更灵活的分割方式
-
一些最新的 segment anything 模型也属于这个方向
旋转目标检测
（1）定义
目标检测不仅检测物体的位置，还要精确预测物体的角度，通过旋转的矩形框来标注物体，而不是简单的水平矩形框。
例如，在遥感卫星图像里检测船只，如果不用旋转框，可能一个框套住了两艘船。而旋转框可以斜着框住每一艘船，更准确。
（2）实现方式
在原有框架上，模型输出的框格式从 [x, y, w, h] 变为 [x, y, w, h, θ]，多了一个角度θ。
典型代表模型有：
-
RTMDet
-
R3Det（Refined Rotated RetinaNet）
-
Rotated Faster R-CNN
-
Oriented R-CNN
-
基于 YOLO 的旋转目标检测（比如 YOLOv5-OBB）
语义分割和实例分割对比
| 项目 | 语义分割 | 实例分割 |
|---|---|---|
| 像素级别分类 | ✅ | ✅ |
| 区分个体 | ❌ 不行（只知道种类） | ✅ 可以（知道是哪一个物体） |
| 应用 | 场景理解、自动驾驶道路分割等 | 高级视觉识别（如COCO、人脸遮挡处理） |
| 难度 | 相对较低 | 更高（要结合检测） |
目标检测、实例分割和旋转目标检测的关系
-
目标检测和实例分割常常是顺序执行的，先做目标检测，后做实例分割。
-
旋转目标检测通常是独立的任务，也可以与目标检测或实例分割并行进行，专注于处理旋转物体的定位和角度预测。
