0
字幕組雙語原文：計算機視覺：圖像檢測和圖像分割有什么區(qū)別？
英語原文：What is the difference between Object Detection and Image Segmentation?
翻譯：雷鋒字幕組（明明知道）
人工智能對于圖像處理有不同的任務。在本文中，我將介紹目標檢測和圖像分割之間的區(qū)別。
在這兩個任務中，我們都希望找到圖像中某些感興趣的項目的位置。例如，我們可以有一組安全攝像頭照片，在每張照片上，我們想要識別照片中所有人的位置。
通常有兩種方法可以用于此：目標檢測（Object Detection）和圖像分割（Image Segmentation）。
當我們說到物體檢測時，我們通常會說到邊界盒。這意味著我們的圖像處理將在我們的圖片中識別每個人周圍的矩形。
邊框通常由左上角的位置（2 個坐標）和寬度和高度（以像素為單位）定義。
來自開放圖像數據集的注釋圖像。家庭堆雪人，來自 mwvchamber。在CC BY 2.0 許可下使用的圖像。
如果我們回到任務：識別圖片上的所有人，則可以理解通過邊界框進行對象檢測的邏輯。
我們首先想到的解決方案是將圖像切成小塊，然后在每個子圖像上應用圖像分類，以區(qū)別該圖像是否是人類。 對單個圖像進行分類是一項較容易的任務，并且是對象檢測的一項，因此，他們采用了這種分步方法。
當前，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)人員已經構建了一個神經網絡，該神經網絡能夠立即執(zhí)行整個邊界框方法！
YOLO
Faster RCNN
一步一步地掃描圖像的邏輯替代方法是遠離畫框，而是逐像素地注釋圖像。
如果你這樣做，你將會有一個更詳細的模型，它基本上是輸入圖像的一個轉換。
這個想法很基本：即使在掃描產品上的條形碼時，也可以應用一種算法來轉換輸入信息（通過應用各種過濾器），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。
左圖：https://commons.wikimedia.org/wiki/File:Image-segmentation-example.jpg。右圖：https://commons.wikimedia.org/wiki/File:Image-segmentation-example-segmented.png。兩個文件都支持 https://en.wikipedia.org/wiki/en:Creative_Commons
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，但是對于每個像素，它只有一個布爾值來指示對象是否存在。
如果我們允許多個類別，它就會變得更加復雜：例如，它可以將一個海灘景觀分為三類：空氣、海洋和沙子。
Mask RCNN
Unet
Segnet
輸入是一個矩陣(輸入圖像)，每個像素有 3 個值(紅、綠、藍)，如果是黑色和白色，則每個像素有 1 個值
輸出是由左上角和大小定義的邊框列表
輸入是一個矩陣(輸入圖像)，每個像素有 3 個值(紅、綠、藍)，如果是黑色和白色，則每個像素有 1 個值
輸出是一個矩陣(掩模圖像)，每個像素有一個包含指定類別的值
雷鋒字幕組是一個由 AI 愛好者組成的翻譯團隊，匯聚五百多位志愿者的力量，分享最新的海外AI資訊，交流關于人工智能技術領域的行業(yè)變革與技術創(chuàng)新的見解。
團隊成員有大數據專家、算法工程師、圖像處理工程師、產品經理、產品運營、IT咨詢人、在校師生；志愿者們來自IBM、AVL、Adobe、阿里、百度等知名企業(yè)，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內外高校研究所。
如果，你也是位熱愛分享的AI愛好者。歡迎與雷鋒字幕組一起，學習新知，分享成長。
雷鋒網雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
