圖像檢測(cè)和圖像分割之間的區(qū)別。當(dāng)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)我們說到物體檢測(cè)時(shí)，我們通常會(huì)說到邊界盒。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)人周圍的矩形。

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。

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

1、如何理解目標(biāo)檢測(cè)方法?

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，以區(qū)別該圖像是否是人類。 對(duì)單個(gè)圖像進(jìn)行分類是一項(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)是解決此問題的偉大發(fā)明。 YOLO模型的開發(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!

2、當(dāng)前用于目標(biāo)檢測(cè)的最佳模型

YOLO、Faster RCNN

圖像分割-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。

3、如何理解圖像分割方法?

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)用一種算法來轉(zhuǎn)換輸入信息(通過應(yīng)用各種過濾器)，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。

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)布爾值來指示對(duì)象是否存在。

如果我們?cè)试S多個(gè)類別，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：空氣、海洋和沙子。

4、當(dāng)下圖像分割的最佳模型

Mask RCNN、Unet、Segnet

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)包含指定類別的值。