是在语义分割的基础上，进一步区分不同的实例，即对多个相同类别的对象进行区分。例如，一张图像可能包含多个人，实例分割将每个人的像素分配给不同的实例，以便更好地区分它们。在实例分割中，每个像素都被分配给一个特定的实例，并且不同的实例具有不同的标识符。是将一张图像中的每个像素分类为不同的语义类别，例如人、车、路等。在语义分割中，同一类别的像素被分配相同的标签，例如所有的人像素都被标记为“人”。这两种分割

训练数据既有一部分有标签的数据，也有一部分没有标签的数据，模型通过结合两种数据来提高学习性能，例如利用有标签数据训练一个教师模型，然后用教师模型给无标签数据生成伪标签，再用伪标签训练一个学生模型。监督学习是机器学习的一种方法，它的目的是在给定的输入和输出数据集中训练模型，使模型能够根据新的输入数据预测期望的输出。在监督学习中，模型的输出是已知的，因此模型能够学习如何将输入映射到输出。无监督学习是机

多边形标注是指在静态图片中，使用多边形框，标注出不规则的目标物体，相对于矩形框标注，多边形标注能够更精准地框定目标，同时对于不规则物体，也更具针对性。目标追踪是指在动态的图像中，进行抽帧标注，在每一帧图片中将目标物体标注出来，进而描述它们的运动轨迹，这类标注常应用于训练自动驾驶模型以及视频识别模型。与点云标注不同，3D立方体标注还是基于二维平面图像的标注，标注员通过对立体物体的边缘框定，进而获得灭

强数据增强通常会对数据进行较大程度的变换，改变数据的一些基本特征，从而提高模型的鲁棒性。弱数据增强则是对数据进行较小程度的变换，以提高模型对局部特征的学习能力。强数据增强指的是对原始数据进行较大程度的变换，通常会改变数据的一些基本特征。强数据增强的目的是在不改变数据类别的情况下，增加训练数据的多样性，提高模型的鲁棒性。弱数据增强则是指对原始数据进行较小程度的变换，通常不会改变数据的基本特征。弱数据