圖像語(yǔ)義分割方法

數(shù)智創(chuàng)新變革未來(lái)圖像語(yǔ)義分割方法圖像語(yǔ)義分割簡(jiǎn)介語(yǔ)義分割基本原理常見(jiàn)分割網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)集和預(yù)處理方法訓(xùn)練技巧和優(yōu)化方法語(yǔ)義分割性能評(píng)估實(shí)際應(yīng)用和案例分析未來(lái)研究方向展望目錄圖像語(yǔ)義分割簡(jiǎn)介圖像語(yǔ)義分割方法圖像語(yǔ)義分割簡(jiǎn)介圖像語(yǔ)義分割定義1.圖像語(yǔ)義分割是將圖像中的每個(gè)像素點(diǎn)分配給一個(gè)預(yù)定義的類(lèi)別。2.是計(jì)算機(jī)視覺(jué)任務(wù)中的重要一環(huán)，為場(chǎng)景理解、目標(biāo)檢測(cè)等提供基礎(chǔ)數(shù)據(jù)。圖像語(yǔ)義分割的應(yīng)用1.在自動(dòng)駕駛中，圖像語(yǔ)義分割用于道路、車(chē)輛、行人的識(shí)別。2.在醫(yī)學(xué)影像分析中，幫助醫(yī)生進(jìn)行病灶區(qū)域的定位和分類(lèi)。3.在機(jī)器人視覺(jué)中，指導(dǎo)機(jī)器人進(jìn)行物體抓取和路徑規(guī)劃。圖像語(yǔ)義分割簡(jiǎn)介圖像語(yǔ)義分割的挑戰(zhàn)1.圖像中的光照、陰影、遮擋等因素會(huì)影響分割的準(zhǔn)確性。2.不同類(lèi)別的物體在外觀和形狀上可能存在較大差異，需要強(qiáng)大的特征提取能力。圖像語(yǔ)義分割的研究現(xiàn)狀1.深度學(xué)習(xí)在圖像語(yǔ)義分割中取得了顯著的成果，如FCN、U-Net等模型。2.隨著數(shù)據(jù)集的不斷擴(kuò)大和計(jì)算能力的提升，分割精度逐漸提高。圖像語(yǔ)義分割簡(jiǎn)介圖像語(yǔ)義分割的發(fā)展趨勢(shì)1.結(jié)合上下文信息，提高分割的準(zhǔn)確性。2.利用無(wú)監(jiān)督學(xué)習(xí)方法，減少對(duì)大量標(biāo)注數(shù)據(jù)的依賴(lài)。3.結(jié)合多任務(wù)學(xué)習(xí)，提高模型的泛化能力。圖像語(yǔ)義分割的評(píng)價(jià)指標(biāo)1.像素準(zhǔn)確度（PixelAccuracy）：標(biāo)記正確的像素占總像素的比例。2.均方誤差（MeanSquaredError,MSE）：預(yù)測(cè)值與真實(shí)值之間差的平方的平均值。這些評(píng)價(jià)指標(biāo)可用于衡量圖像語(yǔ)義分割算法的性能。語(yǔ)義分割基本原理圖像語(yǔ)義分割方法語(yǔ)義分割基本原理圖像語(yǔ)義分割簡(jiǎn)介1.圖像語(yǔ)義分割是將圖像中的每個(gè)像素點(diǎn)分配給一個(gè)預(yù)設(shè)的語(yǔ)義類(lèi)別的任務(wù)。2.語(yǔ)義分割技術(shù)能夠?qū)崿F(xiàn)對(duì)圖像中物體的精細(xì)分割，為計(jì)算機(jī)視覺(jué)任務(wù)提供更準(zhǔn)確的數(shù)據(jù)支持。3.隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，圖像語(yǔ)義分割技術(shù)也在不斷進(jìn)步，已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向之一?；谏疃葘W(xué)習(xí)的語(yǔ)義分割方法1.基于深度學(xué)習(xí)的語(yǔ)義分割方法主要利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取圖像特征，再結(jié)合其他技術(shù)實(shí)現(xiàn)像素級(jí)別的分類(lèi)。2.常用的深度學(xué)習(xí)模型包括FCN、U-Net、SegNet等，這些模型在語(yǔ)義分割任務(wù)中取得了顯著的效果。3.針對(duì)不同的應(yīng)用場(chǎng)景和數(shù)據(jù)特點(diǎn)，可以選擇不同的模型和技巧來(lái)優(yōu)化語(yǔ)義分割的效果。語(yǔ)義分割基本原理語(yǔ)義分割數(shù)據(jù)集1.語(yǔ)義分割數(shù)據(jù)集是訓(xùn)練和評(píng)價(jià)語(yǔ)義分割模型的重要資源，常用的數(shù)據(jù)集包括PASCALVOC、Cityscapes等。2.數(shù)據(jù)集需要提供標(biāo)注好的語(yǔ)義分割圖像和對(duì)應(yīng)的真實(shí)語(yǔ)義類(lèi)別信息。3.針對(duì)不同的應(yīng)用場(chǎng)景和數(shù)據(jù)特點(diǎn)，需要構(gòu)建不同的數(shù)據(jù)集來(lái)滿(mǎn)足訓(xùn)練和評(píng)價(jià)的需求。語(yǔ)義分割評(píng)價(jià)指標(biāo)1.常用的語(yǔ)義分割評(píng)價(jià)指標(biāo)包括像素準(zhǔn)確度（PixelAccuracy）、均方誤差（MSE）、IoU（IntersectionoverUnion）等。2.不同的評(píng)價(jià)指標(biāo)有不同的優(yōu)缺點(diǎn)，需要根據(jù)具體的應(yīng)用場(chǎng)景和需求選擇合適的評(píng)價(jià)指標(biāo)。3.針對(duì)不同的評(píng)價(jià)指標(biāo)，需要采用不同的優(yōu)化策略來(lái)提高語(yǔ)義分割的效果。語(yǔ)義分割基本原理語(yǔ)義分割應(yīng)用場(chǎng)景1.語(yǔ)義分割技術(shù)在許多應(yīng)用場(chǎng)景中都有廣泛的應(yīng)用，如自動(dòng)駕駛、智能監(jiān)控、醫(yī)學(xué)影像分析等。2.在自動(dòng)駕駛中，語(yǔ)義分割技術(shù)可以用于識(shí)別道路、車(chē)輛、行人等目標(biāo)，為決策規(guī)劃提供更準(zhǔn)確的數(shù)據(jù)支持。3.在醫(yī)學(xué)影像分析中，語(yǔ)義分割技術(shù)可以用于分割病變區(qū)域、器官等目標(biāo)，輔助醫(yī)生進(jìn)行更準(zhǔn)確的診斷和治療。未來(lái)展望與研究方向1.隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，語(yǔ)義分割技術(shù)將會(huì)不斷進(jìn)步，實(shí)現(xiàn)更高效、更準(zhǔn)確的分割效果。2.未來(lái)研究方向可以包括改進(jìn)模型結(jié)構(gòu)、優(yōu)化訓(xùn)練技巧、提高分割速度等。3.同時(shí)，結(jié)合其他技術(shù)如強(qiáng)化學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)等，可以進(jìn)一步拓展語(yǔ)義分割技術(shù)的應(yīng)用范圍和實(shí)用性。常見(jiàn)分割網(wǎng)絡(luò)結(jié)構(gòu)圖像語(yǔ)義分割方法常見(jiàn)分割網(wǎng)絡(luò)結(jié)構(gòu)U-Net1.U-Net是一種經(jīng)典的圖像語(yǔ)義分割網(wǎng)絡(luò)，采用編碼器-解碼器結(jié)構(gòu)，能夠有效地提取多尺度特征并進(jìn)行高分辨率的分割。2.通過(guò)跳躍連接，將淺層的高分辨率特征和深層的語(yǔ)義特征進(jìn)行融合，提高了分割的精度。3.U-Net在各種圖像語(yǔ)義分割任務(wù)中廣泛應(yīng)用，具有較好的性能和可擴(kuò)展性。MaskR-CNN1.MaskR-CNN是一種基于目標(biāo)檢測(cè)框架的圖像語(yǔ)義分割網(wǎng)絡(luò)，可以同時(shí)進(jìn)行目標(biāo)檢測(cè)和語(yǔ)義分割。2.通過(guò)在目標(biāo)檢測(cè)框架中添加一個(gè)并行的分割分支，實(shí)現(xiàn)對(duì)每個(gè)目標(biāo)的精確分割。3.MaskR-CNN在各種圖像語(yǔ)義分割任務(wù)中取得了較好的性能，具有較高的效率和精度。常見(jiàn)分割網(wǎng)絡(luò)結(jié)構(gòu)DeepLab系列1.DeepLab系列是一種采用空洞卷積和條件隨機(jī)場(chǎng)的圖像語(yǔ)義分割網(wǎng)絡(luò)，可以有效地?cái)U(kuò)大感受野并捕捉長(zhǎng)程上下文信息。2.通過(guò)多尺度的空洞卷積和ASPP模塊，提取多尺度的語(yǔ)義特征，提高了分割的精度。3.DeepLab系列在各種圖像語(yǔ)義分割任務(wù)中應(yīng)用廣泛，具有較好的性能和可擴(kuò)展性。PSPNet1.PSPNet是一種采用金字塔池化模塊的圖像語(yǔ)義分割網(wǎng)絡(luò)，可以捕捉不同尺度的上下文信息。2.通過(guò)將不同尺度的特征進(jìn)行融合，提高了分割的精度和魯棒性。3.PSPNet在各種場(chǎng)景下的圖像語(yǔ)義分割任務(wù)中取得了較好的性能，具有較好的應(yīng)用前景。常見(jiàn)分割網(wǎng)絡(luò)結(jié)構(gòu)SegNet1.SegNet是一種采用編碼器-解碼器結(jié)構(gòu)的圖像語(yǔ)義分割網(wǎng)絡(luò)，具有較好的分割精度和效率。2.通過(guò)使用池化索引進(jìn)行上采樣操作，可以保留更多的空間信息，提高了分割的精度。3.SegNet在各種圖像語(yǔ)義分割任務(wù)中應(yīng)用廣泛，尤其適用于實(shí)時(shí)性要求較高的場(chǎng)景。ENet1.ENet是一種輕量級(jí)的圖像語(yǔ)義分割網(wǎng)絡(luò)，具有較高的效率和較小的計(jì)算量。2.通過(guò)采用特定的卷積操作和池化操作，減小了網(wǎng)絡(luò)的計(jì)算復(fù)雜度，同時(shí)保持了較好的分割性能。3.ENet適用于對(duì)計(jì)算資源有限制的場(chǎng)景下的圖像語(yǔ)義分割任務(wù)。數(shù)據(jù)集和預(yù)處理方法圖像語(yǔ)義分割方法數(shù)據(jù)集和預(yù)處理方法數(shù)據(jù)集選擇1.選擇合適的數(shù)據(jù)集對(duì)于訓(xùn)練出高質(zhì)量的模型至關(guān)重要。2.應(yīng)該考慮數(shù)據(jù)集的規(guī)模、多樣性和標(biāo)注精度等因素。3.目前常用的數(shù)據(jù)集包括PASCALVOC、Cityscapes等。數(shù)據(jù)預(yù)處理1.數(shù)據(jù)預(yù)處理可以提高模型的訓(xùn)練效果和泛化能力。2.常見(jiàn)的預(yù)處理方法包括圖像縮放、裁剪、歸一化和去噪等。3.不同的預(yù)處理方法對(duì)于不同的數(shù)據(jù)集和任務(wù)有不同的效果，需要根據(jù)實(shí)際情況進(jìn)行選擇。數(shù)據(jù)集和預(yù)處理方法數(shù)據(jù)增強(qiáng)1.數(shù)據(jù)增強(qiáng)可以擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力。2.常見(jiàn)的數(shù)據(jù)增強(qiáng)方法包括隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)、縮放和裁剪等。3.數(shù)據(jù)增強(qiáng)需要注意保持語(yǔ)義信息的完整性，避免出現(xiàn)不合理的增強(qiáng)結(jié)果。標(biāo)簽平滑1.標(biāo)簽平滑可以避免模型在訓(xùn)練過(guò)程中出現(xiàn)過(guò)度擬合現(xiàn)象。2.標(biāo)簽平滑通過(guò)將標(biāo)簽轉(zhuǎn)換為概率分布，降低標(biāo)簽的熵值，提高模型的泛化能力。3.標(biāo)簽平滑需要選擇合適的平滑系數(shù)，避免過(guò)度平滑或平滑不足的情況。數(shù)據(jù)集和預(yù)處理方法難例挖掘1.難例挖掘可以提高模型的訓(xùn)練效果，減少模型的偏差。2.通過(guò)選擇難例進(jìn)行訓(xùn)練，可以讓模型更好地關(guān)注那些難以分類(lèi)的樣本。3.難例挖掘需要注意選擇合適的閾值和挖掘方法，避免出現(xiàn)過(guò)度擬合或欠擬合的情況。模型預(yù)訓(xùn)練1.模型預(yù)訓(xùn)練可以加速模型的收斂速度，提高模型的性能。2.通過(guò)在大規(guī)模數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，可以讓模型學(xué)習(xí)到更好的特征表示。3.模型預(yù)訓(xùn)練需要選擇合適的預(yù)訓(xùn)練模型和預(yù)訓(xùn)練方法，以確保預(yù)訓(xùn)練的效果和泛化能力。訓(xùn)練技巧和優(yōu)化方法圖像語(yǔ)義分割方法訓(xùn)練技巧和優(yōu)化方法數(shù)據(jù)增強(qiáng)1.通過(guò)隨機(jī)翻轉(zhuǎn)、裁剪、旋轉(zhuǎn)等操作擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力。2.采用掩膜技術(shù)，隨機(jī)遮擋圖像部分區(qū)域，增強(qiáng)模型對(duì)局部特征的識(shí)別能力。3.運(yùn)用生成對(duì)抗網(wǎng)絡(luò)（GAN）生成新圖像，增加訓(xùn)練樣本多樣性。損失函數(shù)設(shè)計(jì)1.選擇合適的損失函數(shù)，如交叉熵?fù)p失函數(shù)，衡量預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽的差異。2.引入正則化項(xiàng)，避免模型過(guò)擬合，提高泛化能力。3.采用多任務(wù)學(xué)習(xí)，將多個(gè)相關(guān)任務(wù)的損失函數(shù)結(jié)合起來(lái)，共同優(yōu)化。訓(xùn)練技巧和優(yōu)化方法優(yōu)化器選擇1.選用Adam、SGD等優(yōu)化器，根據(jù)具體任務(wù)需求選擇合適的優(yōu)化器。2.調(diào)整學(xué)習(xí)率，根據(jù)訓(xùn)練過(guò)程中的收斂情況動(dòng)態(tài)調(diào)整學(xué)習(xí)率，提高訓(xùn)練效果。3.采用權(quán)重剪枝技術(shù)，對(duì)模型中的權(quán)重進(jìn)行剪枝，減少計(jì)算量和存儲(chǔ)空間。模型結(jié)構(gòu)改進(jìn)1.引入殘差結(jié)構(gòu)，解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失問(wèn)題。2.采用注意力機(jī)制，使模型能夠更好地關(guān)注到重要的局部特征。3.運(yùn)用多尺度技術(shù)，融合不同尺度的特征信息，提高模型的語(yǔ)義分割能力。訓(xùn)練技巧和優(yōu)化方法集成學(xué)習(xí)方法1.結(jié)合多個(gè)獨(dú)立訓(xùn)練的模型，采用投票或加權(quán)平均等方式提高預(yù)測(cè)精度。2.利用知識(shí)蒸餾技術(shù)，將大模型的知識(shí)遷移到小模型上，提高小模型的性能。3.運(yùn)用自訓(xùn)練策略，利用預(yù)測(cè)結(jié)果不斷優(yōu)化模型參數(shù)，提高模型泛化能力。訓(xùn)練過(guò)程監(jiān)控1.實(shí)時(shí)監(jiān)控訓(xùn)練過(guò)程中的損失函數(shù)值和精度指標(biāo)，評(píng)估模型訓(xùn)練效果。2.采用早停技術(shù)，在驗(yàn)證集上監(jiān)控模型性能，提前停止訓(xùn)練避免過(guò)擬合。3.定期進(jìn)行模型保存和加載，確保訓(xùn)練過(guò)程的穩(wěn)定性和可持續(xù)性。語(yǔ)義分割性能評(píng)估圖像語(yǔ)義分割方法語(yǔ)義分割性能評(píng)估像素精度(PixelAccuracy)1.像素精度是評(píng)估語(yǔ)義分割性能的基礎(chǔ)指標(biāo)，計(jì)算預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間像素級(jí)別的匹配度。2.精度越高，表示模型對(duì)圖像的分割越準(zhǔn)確。3.但像素精度可能會(huì)忽略一些細(xì)節(jié)，如對(duì)邊緣部分的分割準(zhǔn)確性。均方誤差(MeanSquaredError,MSE)1.均方誤差衡量預(yù)測(cè)值與真實(shí)值之間的差異，值越小表示模型的預(yù)測(cè)越準(zhǔn)確。2.對(duì)于語(yǔ)義分割任務(wù)，均方誤差可以評(píng)估模型對(duì)各類(lèi)別的分割精度。3.該指標(biāo)對(duì)異常值敏感，可能導(dǎo)致模型過(guò)度關(guān)注難以分割的類(lèi)別而忽略其他類(lèi)別。語(yǔ)義分割性能評(píng)估交并比(IntersectionoverUnion,IoU)1.交并比衡量預(yù)測(cè)分割與真實(shí)分割之間的重疊程度，值越高表示模型的分割效果越好。2.IoU可以更全面地評(píng)估模型的分割性能，尤其是對(duì)邊緣和細(xì)節(jié)部分的分割。3.通過(guò)計(jì)算各類(lèi)別的IoU，可以分析模型對(duì)不同類(lèi)別的分割能力。F1分?jǐn)?shù)(F1Score)1.F1分?jǐn)?shù)是精確度和召回率的調(diào)和平均數(shù)，用于評(píng)估模型的穩(wěn)健性。2.對(duì)于語(yǔ)義分割任務(wù)，F(xiàn)1分?jǐn)?shù)可以衡量模型在各類(lèi)別上的平均性能。3.F1分?jǐn)?shù)較高表示模型在各類(lèi)別上的分割性能相對(duì)均衡。語(yǔ)義分割性能評(píng)估輪廓系數(shù)(ContourCoefficient)1.輪廓系數(shù)評(píng)估預(yù)測(cè)分割結(jié)果的輪廓與真實(shí)輪廓之間的相似性。2.該指標(biāo)關(guān)注模型的邊緣分割能力，對(duì)細(xì)節(jié)部分要求較高。3.輪廓系數(shù)較高表示模型在邊緣和細(xì)節(jié)部分的分割效果較好。運(yùn)行時(shí)間(InferenceTime)1.運(yùn)行時(shí)間衡量模型進(jìn)行語(yǔ)義分割的速度，對(duì)于實(shí)際應(yīng)用場(chǎng)景非常重要。2.較短的運(yùn)行時(shí)間可以提高模型的實(shí)時(shí)性，降低計(jì)算成本。3.在保證分割性能的同時(shí)，優(yōu)化模型的運(yùn)行速度是當(dāng)前研究的趨勢(shì)之一。實(shí)際應(yīng)用和案例分析圖像語(yǔ)義分割方法實(shí)際應(yīng)用和案例分析醫(yī)學(xué)圖像語(yǔ)義分割1.醫(yī)學(xué)圖像語(yǔ)義分割可在診斷、手術(shù)計(jì)劃和治療監(jiān)測(cè)等方面發(fā)揮重要作用，提高醫(yī)生的診斷效率和準(zhǔn)確性。2.深度學(xué)習(xí)模型的應(yīng)用，如U-Net，VGG等，能夠有效提高醫(yī)學(xué)圖像分割的精度。3.挑戰(zhàn)包括獲取大量的標(biāo)注數(shù)據(jù)，以及處理不同模態(tài)和質(zhì)量的圖像。自動(dòng)駕駛中的語(yǔ)義分割1.語(yǔ)義分割對(duì)于自動(dòng)駕駛的環(huán)境感知和理解至關(guān)重要，有助于準(zhǔn)確的道路導(dǎo)航和決策。2.利用高分辨率傳感器和先進(jìn)的深度學(xué)習(xí)算法，可以提高道路和障礙物的識(shí)別精度。3.挑戰(zhàn)在于處理復(fù)雜的道路條件和各種天氣環(huán)境下的圖像。實(shí)際應(yīng)用和案例分析智能視頻監(jiān)控1.圖像語(yǔ)義分割可以提升智能視頻監(jiān)控的物體和人物識(shí)別精度，增強(qiáng)安全監(jiān)控能力。2.利用目標(biāo)檢測(cè)和目標(biāo)跟蹤技術(shù)，可以實(shí)現(xiàn)對(duì)人物和物體的精準(zhǔn)識(shí)別和追蹤。3.挑戰(zhàn)在于處理復(fù)雜的背景和光照條件，以及保證實(shí)時(shí)處理的性能。遙感圖像分析1.語(yǔ)義分割對(duì)于遙感圖像的土地覆蓋分類(lèi)、城市規(guī)劃和環(huán)境監(jiān)測(cè)等應(yīng)用具有重要意義。2.結(jié)合高分辨率衛(wèi)星圖像和深度學(xué)習(xí)模型，可以提高對(duì)地面物體的識(shí)別精度。3.挑戰(zhàn)在于處理大規(guī)模數(shù)據(jù)和解決類(lèi)內(nèi)差異大的問(wèn)題。實(shí)際應(yīng)用和案例分析工業(yè)質(zhì)檢1.圖像語(yǔ)義分割在工業(yè)質(zhì)檢中有助于提高產(chǎn)品缺陷檢測(cè)和分類(lèi)的準(zhǔn)確性。2.利用深度學(xué)習(xí)模型，可以在復(fù)雜背景下精確提取目標(biāo)物體的輪廓和特征。3.挑戰(zhàn)在于應(yīng)對(duì)各種不同類(lèi)型的缺陷和保證生產(chǎn)線的實(shí)時(shí)性要求。虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)1.圖像語(yǔ)義分割可以提升虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)應(yīng)用中的場(chǎng)景理解和交互體驗(yàn)。2.通過(guò)分割出的物體和人物，可以實(shí)現(xiàn)更為精準(zhǔn)的手勢(shì)識(shí)別和場(chǎng)景適配。3.挑戰(zhàn)在于處理復(fù)雜的虛擬環(huán)境和保證實(shí)時(shí)處理的性能。未來(lái)研究方向展望圖像語(yǔ)義分割方法未來(lái)研究方向展望模型泛化能力的提升1.研究更有效的正則化技術(shù)：通過(guò)改進(jìn)和優(yōu)化正則化技術(shù)，提高模型的泛化能力，減少過(guò)擬合。2.數(shù)據(jù)增強(qiáng)與合成：利用數(shù)據(jù)增強(qiáng)和合成技術(shù)，生成更多具有多樣性的訓(xùn)練樣本，提高模型對(duì)未知數(shù)據(jù)的適應(yīng)能力。3.新型網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)：探索更高效、更強(qiáng)大的網(wǎng)絡(luò)架構(gòu)，提升模型在復(fù)雜場(chǎng)景下的性能表現(xiàn)。實(shí)時(shí)圖像語(yǔ)義分割1.輕量級(jí)網(wǎng)絡(luò)設(shè)計(jì)：研發(fā)輕量級(jí)、高效的網(wǎng)絡(luò)模型，降低計(jì)算資源和內(nèi)存消耗，實(shí)現(xiàn)實(shí)時(shí)處理。2.硬件加速技術(shù)：利用硬件加速技術(shù)，提高模型推理速度，滿(mǎn)足