01U-Net 架構解析：Encoder-Decoder 與 Skip Connection

U-Net 採用極致對稱的 U 型收縮與擴張結構：

  • 編碼器 (Encoder - 下採樣)：透過連續卷積與 Pooling 提取高階語意特徵，逐步縮小特徵圖尺寸。
  • 解碼器 (Decoder - 上採樣)：將高階特徵還原回原始影像解析度。
  • 跳躍連接 (Skip Connection - 關鍵精髓)：將 Encoder 階段的高解析度淺層空間特徵（輪廓、邊緣）直接拼接到 Decoder 同層特徵中，完美解決了下採樣過程中空間細節丟失的問題。

02類別不平衡剋星：Dice Loss 與 Focal Loss 組合拳

在語意分割中，背景像素通常佔據了 95% 以上，而目標瑕疵或腫瘤像素可能不到 1%。若直接使用交叉熵損失 (Cross-Entropy Loss)，模型會傾向把所有像素都預測為背景。

我們採用 Dice Loss + Focal Loss 混合損失函數：

$$\mathcal{L}_{Total} = \alpha \cdot \mathcal{L}_{Dice} + (1 - \alpha) \cdot \mathcal{L}_{Focal}$$

直接針對預測 Mask 與真實 Mask 的重疊重合度 (IoU) 進行優化，顯著提升微小邊界的分割精度。

03不同語意分割模型性能評估與對比表

模型架構 Mean IoU / Dice 指標 推論記憶體佔用 推論速度 (1024x1024) 最佳適用情境
經典 U-Net 86.5% 小 (極度輕量) 65 FPS (極快) 工業瑕疵 Mask、細胞分割
DeepLabV3+ (ResNet-101) 91.2% 中等 32 FPS 自動駕駛路面與車道劃分
TransUNet (ViT + U-Net) 94.8% (極高精度) 較大 (需 8GB 顯存) 18 FPS 高解析度衛星遙測、醫療 3D CT

04衛星遙測航拍影像與 GIS 坐標對齊實戰

在無人機航拍或衛星影像處理中，分割出來的 Mask 必須轉換為地理資訊系統 (GIS) 座標。我們透過 GDAL 與 GeoTIFF 標頭檔，將模型產出的 2D 像素矩陣直接對映為 WGS84 經緯度座標多邊形 (Polygon)，一鍵計算太陽能板覆蓋面積與森林植被覆蓋率。

FAQ常見問題解答

語意分割的 Mask 標註檔案通常是什麼格式？

常見的有單通道 8-bit PNG 影像（像素值代表類別 ID）、JSON 多邊形座標格式 (Labelme / COCO Format) 或 RLE (Run-Length Encoding) 壓縮格式。

Dice Coefficient 與 IoU (Jaccard Index) 有什麼差別？

兩者都是評估重疊度的指標，數學關係為 $\text{Dice} = \frac{2 \text{IoU}}{1 + \text{IoU}}$。Dice 對微小區域變化的敏感度略高，常用於醫療與工業檢測。

高解析度影像 (如 4K 航拍) 該如何進行語意分割？

建議採用重疊切片 (Overlapping Tile Sliding Window) 預測，再透過 Gaussian 權重融合導出完整的無縫大圖 Mask，避免邊界接縫瑕疵。

鳳凰程式工坊提供哪些語意分割技術服務？

我們提供自訂 Mask 標註管道建立、U-Net/DeepLabV3/TransUNet 模型微調、像素級區域面積計算與 GIS 地理資訊系統整合開發。