Une segmentation aux frontières floues s’évalue avec plusieurs mesures et une inspection des cas critiques, car un léger décalage peut être sans conséquence dans un tri mais dangereux près d’un outil.
La segmentation sémantique attribue une classe à chaque pixel, tandis que la segmentation d’instances sépare chaque objet individuel, même lorsque plusieurs objets partagent la classe.
Annoter une frontière ambiguë consiste à distinguer ce qui est visible, incertain ou masqué, et à appliquer une règle constante plutôt qu’à inventer un contour précis.
La résolution d’une segmentation embarquée se choisit selon la taille du détail utile, la distance, la mémoire, le temps de calcul et la vitesse du robot, puis se vérifie sur les scènes réelles.
On vérifie la stabilité d’une segmentation en suivant les contours et identités sur plusieurs images, avec des mouvements de caméra, des changements de lumière et des occultations contrôlées.
La segmentation d’image attribue une catégorie ou un masque aux pixels afin de séparer objets, sol, mur et zones utiles dans une scène.
La segmentation sémantique donne une classe à chaque pixel sans distinguer nécessairement deux objets semblables, tandis que la segmentation par instance sépare chaque objet.
On entraîne un modèle de segmentation avec des images annotées pixel par pixel, des augmentations contrôlées, une fonction de perte et une validation séparée.
Une segmentation aide à naviguer en transformant les pixels classés en zones libres, occupées ou incertaines, puis en imposant une marge autour des obstacles.
On diagnostique une mauvaise segmentation en comparant les masques aux annotations, en séparant erreurs de classe, de contour, d’éclairage et de calibration.