1.边界精度与一致性挑战：物体边缘的像素级精度是最大难点。人工标注难以做到绝对精确，且不同标注员对“边界”的理解可能存在差异。这会导致模型在预测时产生锯齿状或模糊的边界。解决方案包括使用更高精度的输入图像、提供清晰的边界定义规范，以及利用超像素或预分割算法辅助人工修边。

2.类别模糊与歧义处理：真实场景中存在大量语义模糊区域。例如，被阴影部分覆盖的道路应标为“道路”还是“阴影”？玻璃幕墙后的物体如何标注？这要求项目前期必须制定完善的“困难案例处理指南”，并在标注过程中设立专家仲裁机制。

3.细小物体与密集场景的标注：图像中的细小物体（如远处的行人、电线）极易遗漏，且标注耗时极长。在密集场景（如茂密的树叶、拥挤的人群）中，精确分离每个实例的边界几乎不可能，此时需依据规范决定是按语义区域标注（如整片树林标为“植被”）还是尽力分离。

4.标注效率与成本的平衡：语义分割标注是极其耗时费力的工作，一张复杂图像的精标可能需要数小时。如何在保证必要精度的前提下提升效率，是项目管理的核心挑战。引入AI预标注模型（如Segment Anything Model）进行初始分割，再由人工进行修正和审核，已成为行业提升效率的主流范式。

信息来源：网易伏羲