英語(yǔ)原文：

What is the difference between Object Detection and Image Segmentation？

翻譯：雷鋒字幕組（明明知道）

人工智能對(duì)于圖像處理有不同的任務(wù)。在本文中，我將介紹目標(biāo)檢測(cè)和圖像分割之間的區(qū)別。

在這兩個(gè)任務(wù)中，我們都希望找到圖像中某些感興趣的項(xiàng)目的位置。例如，我們可以有一組安全攝像頭照片，在每張照片上，我們想要識(shí)別照片中所有人的位置。

通常有兩種方法可以用于此：目標(biāo)檢測(cè)（Object Detection）和圖像分割（Image Segmentation）。

目標(biāo)檢測(cè)-預(yù)測(cè)包圍盒

當(dāng)我們說(shuō)到物體檢測(cè)時(shí)，我們通常會(huì)說(shuō)到邊界盒。這意味著我們的圖像處理將在我們的圖片中識(shí)別每個(gè)人周?chē)木匦巍?/p>

邊框通常由左上角的位置（2 個(gè)坐標(biāo)）和寬度和高度（以像素為單位）定義。

來(lái)自開(kāi)放圖像數(shù)據(jù)集的注釋圖像。家庭堆雪人，來(lái)自 mwvchamber。在CC BY 2.0 許可下使用的圖像。

如何理解目標(biāo)檢測(cè)

如果我們回到任務(wù)：識(shí)別圖片上的所有人，則可以理解通過(guò)邊界框進(jìn)行對(duì)象檢測(cè)的邏輯。

我們首先想到的解決方案是將圖像切成小塊，然后在每個(gè)子圖像上應(yīng)用圖像分類(lèi)，以區(qū)別該圖像是否是人類(lèi)。對(duì)單個(gè)圖像進(jìn)行分類(lèi)是一項(xiàng)較容易的任務(wù)，并且是對(duì)象檢測(cè)的一項(xiàng)，因此，他們采用了這種分步方法。

當(dāng)前，YOLO模型（You Only Look Once）是解決此問(wèn)題的偉大發(fā)明。YOLO模型的開(kāi)發(fā)人員已經(jīng)構(gòu)建了一個(gè)神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)能夠立即執(zhí)行整個(gè)邊界框方法！

當(dāng)前用于目標(biāo)檢測(cè)的最佳模型

YOLO

Faster RCNN

目標(biāo)分割-預(yù)測(cè)掩模

一步一步地掃描圖像的邏輯替代方法是遠(yuǎn)離畫(huà)框，而是逐像素地注釋圖像。

如果你這樣做，你將會(huì)有一個(gè)更詳細(xì)的模型，它基本上是輸入圖像的一個(gè)轉(zhuǎn)換。

來(lái)自開(kāi)放圖像數(shù)據(jù)集的注釋圖像。家庭堆雪人，來(lái)自 mwvchamber。在CC BY 2.0 許可下使用的圖像。

如何理解圖像分割

這個(gè)想法很基本：即使在掃描產(chǎn)品上的條形碼時(shí)，也可以應(yīng)用一種算法來(lái)轉(zhuǎn)換輸入信息（通過(guò)應(yīng)用各種過(guò)濾器），這樣，除了條形碼序列以外的所有信息在最終圖像中都不可見(jiàn)。

這是在圖像上定位條形碼的基本方法，但與在圖像分割中所發(fā)生的情況類(lèi)似。

圖像分割的返回格式稱為掩碼：與原始圖像大小相同的圖像，但是對(duì)于每個(gè)像素，它只有一個(gè)布爾值來(lái)指示對(duì)象是否存在。

如果我們?cè)试S多個(gè)類(lèi)別，它就會(huì)變得更加復(fù)雜：例如，它可以將一個(gè)海灘景觀分為三類(lèi)：空氣、海洋和沙子。

當(dāng)下圖像分割的最佳模型

Mask RCNN

Unet

Segnet

比較總結(jié)

對(duì)象檢測(cè)

輸入是一個(gè)矩陣（輸入圖像），每個(gè)像素有 3 個(gè)值（紅、綠、藍(lán)），如果是黑色和白色，則每個(gè)像素有 1 個(gè)值

輸出是由左上角和大小定義的邊框列表

圖像分割

輸入是一個(gè)矩陣（輸入圖像），每個(gè)像素有 3 個(gè)值（紅、綠、藍(lán)），如果是黑色和白色，則每個(gè)像素有 1 個(gè)值

輸出是一個(gè)矩陣（掩模圖像），每個(gè)像素有一個(gè)包含指定類(lèi)別的值

編輯：jq