计算机视觉：图像检测和图像分割之间有什么区别？人工智能在图像处理方面有不同的任务。在本文中，我将介绍目标检测和图像分割之间的区别。在这两个任务中，我们都希望找到图像中某些感兴趣的物品的位置。例如，我们可以拥有一组安全摄像机照片，在每张照片上，我们要标识照片中每个人的位置。通常有两种方法可用于此目的：对象检测（ObjectDetection）和图像分割（ImageSegmentation）。物体检测预测边界框当我们谈论物体检测时，我们通常谈论边界框。这意味着我们的图像处理将识别出图片中每个人周围的矩形。边框通常由左上角的位置（2个坐标）以及宽度和高度（以像素为单位）定义。来自打开的图像数据集的带注释的图像。家庭雪人，来自mwvchamber。在CCBY2.0许可下使用的图像。如何理解对象检测如果回到任务：识别图片上的所有人，我们可以通过边界框了解对象检测的逻辑。我们首先想到的解决方案是将图像切成小块，然后对每个子图像进行图像分类以区分图像是否为人。对单个图像进行分类是一项较容易的任务，并且是物体检测之一，因此他们采用了这种分步方法。当前，YOLO模型（YouOnlyLookOnce）是解决此问题的伟大发明。 YOLO模型的开发人员已经建立了一个神经网络，该神经网络可以立即执行整个边界框方法！当前用于目标检测的最佳模型YOLOFasterRCNN，目标分割预测掩码。逐步扫描图像的逻辑替代方法是远离相框并逐像素注释图像。如果这样做，您将拥有更详细的模型，该模型基本上是输入图像的转换。来自打开的图像数据集的带注释的图像。家庭雪人，来自mwvchamber。在CCBY2.0许可下使用的图像。如何理解图像分割的想法是非常基本的：即使在扫描产品上的条形码时，也可以应用算法来转换输入信息（通过应用各种过滤器），以便除条形码序列之外的所有信息都位于最终图像不可见。这是在图像上定位条形码的基本方法，但是它与图像分割中发生的事情类似。图像分割的返回格式称为遮罩：与原始图像大小相同的图像，但是对于每个像素，它只有一个布尔值来指示对象是否存在。如果我们允许多个类别，它将变得更加复杂：例如，它可以将海滩景观分为三类：空气，海洋和沙滩。当前用于图像分割的最佳模型MaskRCNNUnetSegnet比较摘要对象检测输入是一个矩阵（输入图像），每个像素具有3个值（红色，绿色，蓝色），如果是黑白，则每个像素具有1个值输出是由左上角和大小定义的边界列表。图像分割输入是一个矩阵（输入图像），每个像素有3个值（红色，绿色，蓝色），如果是黑白，则每个像素有1个值输出是一个矩阵（蒙版图像），每个像素都有一个包含指定类别的值