英语原文：What is the difference between Object Detection and Image Segmentation?
翻译：雷锋字幕组（明明知道）
人工智能中的图像处理
人工智能对付图像处理有不同的任务。在本文中，我将先容目标检测和图像分割之间的差异。
在这两个任务中，我们都希望找到图像中某些感兴趣的项目的位置。例如，我们可以有一组安全摄像头照片，在每张照片上，我们想要识别照片中所有人的位置。
常日有两种方法可以用于此：目标检测（Object Detection）和图像分割（Image Segmentation）。
目标检测-预测包围盒
当我们说到物体检测时，我们常日会说到边界盒。这意味着我们的图像处理将在我们的图片中识别每个人周围的矩形。
边框常日由左上角的位置（2 个坐标）和宽度和高度（以像素为单位）定义。
来自开放图像数据集的注释图像。家庭堆雪人，来自 mwvchamber。在CC BY 2.0 容许下利用的图像。
如何理解目标检测方法?
如果我们回到任务：识别图片上的所有人，则可以理解通过边界框进行工具检测的逻辑。
我们首先想到的办理方案是将图像切成小块，然后在每个子图像上运用图像分类，以差异该图像是否是人类。 对单个图像进行分类是一项较随意马虎的任务，并且是工具检测的一项，因此，他们采取了这种分步方法。
当前，YOLO模型（You Only Look Once）是办理此问题的伟大发明。 YOLO模型的开拓职员已经构建了一个神经网络，该神经网络能够立即实行全体边界框方法！
当前用于目标检测的最佳模型
YOLO
Faster RCNN
图像分割-预测掩模
一步一步地扫描图像的逻辑替代方法是阔别画框，而是逐像素地注释图像。
如果你这样做，你将会有一个更详细的模型，它基本上是输入图像的一个转换。
如何理解图像分割方法?
这个想法很基本：纵然在扫描产品上的条形码时，也可以运用一种算法来转换输入信息（通过运用各种过滤器），这样，除了条形码序列以外的所有信息在终极图像中都不可见。
左图：https://commons.wikimedia.org/wiki/File:Image-segmentation-example.jpg。右图：https://commons.wikimedia.org/wiki/File:Image-segmentation-example-segmented.png。两个文件都支持 https://en.wikipedia.org/wiki/en:Creative_Commons
这是在图像上定位条形码的基本方法，但与在图像分割中所发生的情形类似。
图像分割的返回格式称为掩码:与原始图像大小相同的图像，但是对付每个像素，它只有一个布尔值来指示工具是否存在。
如果我们许可多个种别，它就会变得更加繁芜：例如，它可以将一个海滩景不雅观分为三类：空气、海洋和沙子。
当下图像分割的最佳模型
Mask RCNN
Unet
Segnet
比较总结工具检测
输入是一个矩阵(输入图像)，每个像素有 3 个值(红、绿、蓝)，如果是玄色和白色，则每个像素有 1 个值
输出是由左上角和大小定义的边框列表
图像分割
输入是一个矩阵(输入图像)，每个像素有 3 个值(红、绿、蓝)，如果是玄色和白色，则每个像素有 1 个值
输出是一个矩阵(掩模图像)，每个像素有一个包含指定类别的值
雷锋字幕组是一个由 AI 爱好者组成的翻译团队，汇聚五百多位志愿者的力量，分享最新的外洋AI资讯，互换关于人工智能技能领域的行业变革与技能创新的见地。
团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、百度等有名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。
如果，你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起，学习新知，分享发展。
雷锋网雷锋网