Computer Vision Tasks:

圖像分類、目標檢測、語義分割、實例分割；

只有目標檢測和實例分割是實現了實例級別的識別的，就是把每一個單獨的物體拎出來識別的；目標檢測是畫框框，而實例分割是摳圖。

?實例識別：就是把圖片中的每一個物體都單獨進行識別出來；

目標檢測：是輸入圖像，輸出每一個物體；(就是多個類別的多個框)

圖像分割：

（1）Semantic Segmentation語義分割：我對每一個像素分類，我不管這個像素是屬于哪幾個物體的，只管他是屬于什么類別的；(并不區分不同物體的像素)(把同一個目標的物體扣到一起，并不區分每一個物體，而實例分割需要區分每一個物體)

（2）Instance Segmentation實例分割：把同一個類別的不同實例給他區分出來；(需要區分同一類別不同物體的像素)

在無人駕駛中還有全景分割：要把它看到的所有像素都做實例分割；

?下面幾張圖比較有說服力：

?

?計算機視覺還有其他的解決問題：

除了圖像檢測、定位、目標檢測、語義分割、實例分割之外還有關鍵點檢測；

綜述：里邊把目標檢測里邊的代表性的模型、發展過程，還有著名的一些數據集都寫出來了；都

?

?目標檢測分為兩個流派：

（1）單階段模型：不提取候選框，我直接把全圖喂到模型里邊，喂到算法里邊，算法能夠直接輸出出來目標檢測的結果，一步到位他是一個統一的端到端的系統，所以是單階段；

（2）兩階段模型：先從圖像中提取若干候選框，再逐一的對這些候選框進行分類、甄別以及調整他們的坐標，最后得出結果，(就是先提取候選框，再逐一的進行甄別，這是兩個階段，所以稱作兩階段模型）

兩階段一般是比較準確的，因為他要篩選出很多個候選框，比較準確但是比較耗時；而單階段呢雖然比較快一步到位，但是準確率不是很高；但是現在YOLO發展到V5在速度和準確度(小目標識別)都已經很好了；

?

總結

以上是生活随笔為你收集整理的Computer Vision Tasks的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。