我正在阅读广为人知的论文Fully Convolutional Networks for Semantic Segmentation，并且在整篇论文中，他们都在谈论使用术语fine和coarse。我想知道它们是什么意思。他们第一次在介绍中说的是：
卷积网络正在推动识别方面的进步。卷积网络不仅在整幅图像分类方面有所改进，而且在具有结构化输出的本地任务上也取得了进展。其中包括边界框对象检测、部分和关键点预测以及局部对应方面的进步。
从粗推理到精细推理的自然下一步是对每个像素进行预测。
它也用于论文的其他部分
接下来，我们将解释如何将分类网络转换为产生粗略输出图的完全卷积网络。
在本文的上下文中，“粗”和“细”是什么意思？在计算机视觉的一般背景下？
在英语中，“粗”的意思是“质地或纹理粗糙或松散”，而“精细”的意思是“非常注重细节”或“（主要是木材）具有精细或细腻的纤维排列”，但这些定义确实没有在计算机视觉的上下文中阐明这些词的含义。
这个问题也被问到这里。
在本文的背景下，这意味着什么？
对于“粗略分割”，作者的意思是没有太多细节的分割。另一方面，“精细分割”是指具有高度细节的分割。
但更重要的是[在通用计算机视觉的背景下这意味着什么？
CV 中最常见的用途是描述一个类在分类中的一般或具体程度。“粗类”是一个非常广泛的类，而“细类”是一个非常具体的类。
作者指的是结果分割的详细程度。
粗略的分割意味着我们有大块覆盖每个类而没有太多细节。另一方面，精细分割将具有更高级别的细节，甚至可以下降到像素级别（即逐像素正确分割）。
为了清楚地说明这一点，请看以下两个示例。随着我们从左到右，分割图从粗到细：
请注意，在最右边的图像中，结果是一个几乎像素完美（即精细细节）的分割图，而左边的图像没有太多细节，可以认为是粗糙的。
因为这不是一个既定的术语，所以有时粗略和精细可以指代分类任务中类的性质。以顶部图像为例；粗略分类任务的标签可以是树。对于一个精细的分类任务，我们会有橡树、松树等标签。
最突出的例子是cifar数据集，它有两个版本：一个有 10 个类的粗略数据集和一个有 100 个类的精细数据集，它们都是粗略类的子类。例如粗类是鱼，而细类是观赏鱼、比目鱼、鳐鱼、鲨鱼、鳟鱼等。
对于语义分割，一个示例可能如下：您想要制作街道分割模型。这种粗略分割意味着它只是将图像分割成道路、车辆等。另一方面，精细分割还可以检测车辆的类型，例如卡车、汽车等。