---
title: "全景分割（Panoptic Segmentation）"
slug: panoptic-segmentation
language: zh-TW
source: https://aiterms.tw/terms/panoptic-segmentation
updated_at: 2026-06-22
tags: [電腦視覺, 深度學習, 模型訓練, AI應用]
ipas_term: false
---

# 全景分割（Panoptic Segmentation）

結合語義分割和實例分割，同時處理可數物體（分個體）和不可數物體（只分類），提供完整的場景理解。

## 完整說明

全景分割是一項統一的視覺任務，將影像中的所有像素分配給預定義類別，並對可數物體（如人、車）進行個體區分。它克服了傳統語義分割無法區分同類個體、實例分割只處理可數物體的局限。全景分割輸出一個單一的全景分割圖，每個像素包含類別和實例ID資訊，適用於自動駕駛、場景理解和3D重建。

## 常見問題

### 全景分割的Thing和Stuff是什麼？

Thing是指可數、邊界明確的物體，如人、車、椅子。Stuff是指不可數、邊界模糊的區域，如天空、道路、牆壁、草地。全景分割對Thing物體標記實例ID（區分個體），對Stuff只標記類別。例如在廣場場景中，20個人是Thing（person:1到person:20），而天空、地面都是Stuff（無實例ID）。這種區分反映了不同物體的內在特性，也簡化了標註和評估方式。

### 如何評估全景分割的性能？

主要指標是PQ（Panoptic Quality），定義為SQ×RQ。SQ（Segmentation Quality）衡量分割精確度，計算匹配預測與真值掩模的IoU（交並比）。RQ（Recognition Quality）衡量檢測率，即正確識別的實例數佔比。PQ綜合了位置精度和檢測完整性。此外，thing-PQ和stuff-PQ分別評估可數物體和不可數區域，提供更細粒度的性能洞察。相比單純的分割精度或檢測精度，PQ更全面反映了全景理解能力。

### 全景分割為什麼比分別做語義和實例分割更高效？

兩種方案都需要共享的特徵提取（編碼器）。分別執行則需訓練兩個獨立模型或維護兩個解碼頭，推理時需執行兩套預測管線，計算重複。全景分割用單一編碼器提取特徵，分裂為兩個輕量解碼頭，推理一次完成。此外，統一訓練框架讓兩個任務相互正則化，可提升泛化性。在邊緣裝置上，全景分割模型通常比組合兩個獨立模型輕量得多，延遲更低。

---

來源：https://aiterms.tw/terms/panoptic-segmentation
快查頁：https://aiterms.tw/terms/panoptic-segmentation
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-panoptic-segmentation