---
id: CV-SEG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [computer-vision, deep-learning, image-segmentation, u-net, mask-rcnn]
last_reinforced: 2026-04-26
---

# Image Segmentation Techniques (이미지 세그멘테이션 기법)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "단순히 무엇이 있는지 맞히는 것을 넘어, 사물의 경계를 픽셀 단위로 완벽하게 도려내어 세상을 분할하라" — 이미지 내의 모든 픽셀을 특정 클래스로 분류하여, 사물의 위치와 형태를 정교하게 파악하는 컴퓨터 비전 기술.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Encoder-Decoder" — 이미지의 특징을 압축하여 의미를 파악(Encoder)한 뒤, 이를 다시 원래 이미지 크기로 복원하며 픽셀별 레이블을 할당(Decoder)하는 복원 및 분류 패턴.
- **주요 유형:**
    - **Semantic Segmentation:** 같은 클래스에 속하는 사물들을 하나의 덩어리로 인식 (예: 모든 자동차를 '자동차'라는 하나의 영역으로 표시).
    - **Instance Segmentation:** 같은 클래스라도 개별 사물을 서로 다르게 구분 (예: 자동차 A, 자동차 B를 각각 다른 개체로 인식).
    - **Panoptic Segmentation:** 세맨틱과 인스턴스의 결합. 배경과 사물을 모두 완벽하게 분할.
- **핵심 모델:** U-Net (의료 영상 특화), Mask R-CNN, DeepLab, SAM (Segment Anything Model).
- **의의:** 정밀 로봇 제어, 자율주행의 장애물 회피, 배경 제거 및 합성 등 공간적 이해가 필수적인 모든 시각 기술의 정점.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 각 도메인별로 특화된 모델을 사용하던 방식에서, 메타의 SAM과 같이 어떤 이미지라도 추가 학습 없이 즉시 분할 가능한 '파운데이션 모델' 시대로 진화.
- **정책 변화:** Skybound 프로젝트의 후처리 이펙트 및 정교한 충돌 판정 시스템은 픽셀 단위의 마스크 데이터를 생성하는 세그멘테이션 기법을 활용하여 시각적 완성도를 높임.

## 🔗 지식 연결 (Graph)
- [[Image-Classification-Mastery]], Object-Detection-Mastery, Computer-Vision-Mastery, Deep-Learning-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Image-Segmentation-Techniques.md