图像分割 ：图像分割是指在像素级别对图像进行分类的任务，每个像素都与一个标签相关联，指的是被考虑的类别之一 ，见图11（c）。基本上有三种类型的分割：语义分割，实例分割和泛类分割。下面将介绍这三种类型。 

1）语义分割：语义分割包括像素级别的图像分类，没有区分同一类别的实例，这种类型的图像分割中的第一个显著工作是在2015年发表的。Fully Convolution Networks（FCN）提出通过作者称为“卷积化”的过程将全连接层替换为其卷积等效层。这样，在移除所有密集层之后，网络可以处理任何大小的图像，并且不是输出类别向量，而是生成一个“热图”形式的密集分类（像素级预测）。在这种表示类型中，每个2D位置表示原始图像中的一个像素，并且与每个类别相关的概率存储在其深度沿着的位置上。

2）实例分割：实例分割在语义分割的基础上进行了改进，因为它区分了可计数类别的元素，如汽车、行人和自行车。然而，它不能对不规则或不可计数的类别进行分类，如天空、建筑物和街道。其中一个最著名的实例分割方法是 Mask R-CNN 。该方法通过将一个面具预测分支添加到现有的边框分支中来扩展 Faster R-CNN，从而实现了同时检测和实例分割，且额外开销很小。 

3）泛类分割：泛类分割将前两种分割模式的优点结合在一起，为可数元素（实例分割）（例如汽车和行人）和不规则/不可数元素（语义分割）生成掩模（分割）。 

在车辆应用中，实时操作是一个至关重要的要求，因为它可以快速反应可能存在的风险， 尽管图像分割是一个成熟度很高的研究课题，但大部分的研究工作都集中在提高准确性上，当我们加入实时约束时，需要一种新的轻量级、高效和快速的图像分割方法和架构。