影像分割模型介紹：U-Net 與去背改良版 U2-Net

影像分割（Image Segmentation）是電腦視覺中的一個基本任務，目的是將數字影像劃分成多個片段，使得具有相似性質的像素群組成同一片段。這篇筆記整理我在學影像分割時的重點：分割技術類型、應用場景、評估指標，以及 U-Net、Mask R-CNN、DeepLab 到 U2-Net 這幾個常見的深度學習模型。

什麼是影像分割？目標與技術類型有哪些？

影像分割的目標很單純：

將影像中具有相似特性（如顏色、強度、紋理）的像素分到同一區域。
賦予影像的每一個像素一個標籤，該標籤指示該像素屬於哪一物體或區域。

常見的分割技術類型有以下幾種：

閾值分割：根據像素值的閾值將影像分成兩個或多個部分。
基於區域的分割：從種子點開始，將相鄰的像素添加到區域中，直到符合某些條件。
基於邊緣的分割：檢測影像中的邊緣（突然的強度變化）來劃分區域。
基於聚類的分割：例如 K-means，將像素分為擁有相似特性的多個群體。
神經網路和深度學習：如 U-Net、DeepLab 等模型，用於更複雜的影像分割任務。

影像分割可以用在哪些應用場景？

醫學影像：例如從 MRI 影像中識別出不同的器官或病變區域。
遙感：劃分地表的不同區域，如水域、森林、城市等。
物體識別和跟踪：識別影像中的特定物體。
電腦視覺任務：如場景理解、影像修復、3D 建模等。

評估方面，可以使用像 Jaccard 系數（Intersection over Union, IoU）這樣的指標來評估分割模型的性能。影像分割作為電腦視覺中的一個核心任務，在許多應用中都扮演著重要的角色，且隨著深度學習的發展，其效果和應用領域持續擴展。

如何使用深度學習做影像分割？

深度學習和神經網路在影像去背上已取得了驚人的成果。我整理常見的模型如下：

U-Net 結構：

U-Net 是一種用於影像分割的卷積神經網路（CNN）結構。
它具有縮小（下採樣）和擴展（上採樣）的部分，使其形狀像字母「U」。
U-Net 非常適合進行像素級別的分類，如分離前景和背景。

Mask R-CNN：

Mask R-CNN 是一種用於實例分割的方法，可以同時偵測物件並生成對應的遮罩。
它結合了 Faster R-CNN（用於物件偵測）和一個額外的遮罩分支。

DeepLab：

DeepLab 是一個強大的影像分割模型，它使用了空間金字塔池化和全卷積網路。
它能夠精確地捕捉物件的邊界，使其適合去背任務。

為什麼 U-Net 這麼火紅？

U-Net 的架構與特點：

起源：U-Net 最初是為了醫學影像分割而設計的，特別是在數據集相對較小的情境下。
架構：U-Net 架構具有對稱的編碼器和解碼器部分。編碼器進行下採樣，而解碼器進行上採樣。兩者之間有跳躍連接，這意味著對應的編碼器和解碼器層之間的特徵被結合在一起，這有助於模型獲取更精確的位置信息。

去背改良版 U2-Net 有什麼不同？

U^2-Net 的重點整理：

起源：U^2-Net 被設計為一個更深的網絡結構，用於進行較為複雜的影像分割和去背工作。
架構：U2-Net 的名稱意味著「U-Net 的 U-Net」，這是因為它的設計理念是將多個 U-Net 結構嵌套在一起。具體來說，它利用了深層和淺層的嵌套 U-Net 架構來捕獲多尺度特徵。U2-Net 的重要組件是其嵌套的殘差結構，這有助於模型學習從各種層次獲取的資訊。U2-Net 的架構包括六個編碼器階段和五個解碼器階段，以及一個用於融合顯著地圖的模塊。它通過嵌套的 U 結構從不同階段有效提取多尺度特徵，從而實現了顯著對象檢測的優異性能。該方法對於克服現有骨幹網絡的限制和提高檢測性能具有重要意義。
特性：由於其深度和複雜的架構，U^2-Net 在某些情境下可能比 U-Net 有更好的性能，特別是在需要捕獲多尺度特徵的情境下。

常見問題

Q影像分割和物件偵測有什麼差別？

物件偵測只輸出物體的邊界框與類別，而影像分割會對每個像素給予標籤，得到精確的輪廓與區域。因此需要知道物體確切形狀的任務（如去背、醫學影像）更適合用分割模型。

QU-Net 為什麼適合小數據集？

U-Net 最初是為醫學影像分割設計的，在數據集相對較小的情境下仍能有好的表現。其對稱的編碼器／解碼器加上跳躍連接，讓模型在少量資料下也能保留精確的位置資訊。

QU2-Net 和 U-Net 的主要差異是什麼？

U2-Net 的設計理念是「U-Net 的 U-Net」，把多個 U-Net 嵌套在一起以捕獲多尺度特徵。它有六個編碼器階段和五個解碼器階段，在去背與顯著對象檢測上通常比 U-Net 表現更好。

Q如何評估影像分割模型的好壞？

常用的指標是 Jaccard 系數，也就是 Intersection over Union（IoU），衡量預測區域與真實區域的重疊程度。IoU 越接近 1，代表分割結果越準確。

參考資料

最後更新

2026-08-28（原文發布於 2023-09-27，本文保留原始筆記內容並補上 GEO 結構。）

關於作者 {#author}

Claire Chang ｜企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2023-09-27