電腦視覺：影像檢測和影像分割有什麼區別？
- 2020 年 8 月 19 日
- AI
字幕組雙語原文：電腦視覺：影像檢測和影像分割有什麼區別？
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）
人工智慧中的影像處理
人工智慧對於影像處理有不同的任務。在本文中，我將介紹目標檢測和影像分割之間的區別。
在這兩個任務中，我們都希望找到影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影機照片，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於此：目標檢測（Object Detection）和影像分割（Image Segmentation）。
目標檢測-預測包圍盒
當我們說到物體檢測時，我們通常會說到邊界盒。這意味著我們的影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。
來自開放影像數據集的注釋影像。家庭堆雪人，來自 mwvchamber。在CC BY 2.0 許可下使用的影像。
如何理解目標檢測方法?
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影像切成小塊，然後在每個子影像上應用影像分類，以區別該影像是否是人類。 對單個影像進行分類是一項較容易的任務，並且是對象檢測的一項，因此，他們採用了這種分步方法。
當前，YOLO模型（You Only Look Once）是解決此問題的偉大發明。 YOLO模型的開發人員已經構建了一個神經網路，該神經網路能夠立即執行整個邊界框方法！
當前用於目標檢測的最佳模型
-
YOLO
-
Faster RCNN
影像分割-預測掩模
一步一步地掃描影像的邏輯替代方法是遠離畫框，而是逐像素地注釋影像。
如果你這樣做，你將會有一個更詳細的模型，它基本上是輸入影像的一個轉換。
如何理解影像分割方法?
這個想法很基本：即使在掃描產品上的條形碼時，也可以應用一種演算法來轉換輸入資訊（通過應用各種過濾器），這樣，除了條形碼序列以外的所有資訊在最終影像中都不可見。
左圖：//commons.wikimedia.org/wiki/File:Image-segmentation-example.jpg。右圖：//commons.wikimedia.org/wiki/File:Image-segmentation-example-segmented.png。兩個文件都支援 //en.wikipedia.org/wiki/en:Creative_Commons
這是在影像上定位條形碼的基本方法，但與在影像分割中所發生的情況類似。
影像分割的返回格式稱為掩碼:與原始影像大小相同的影像，但是對於每個像素，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，它就會變得更加複雜：例如，它可以將一個海灘景觀分為三類：空氣、海洋和沙子。
當下影像分割的最佳模型
-
Mask RCNN
-
Unet
-
Segnet
比較總結
對象檢測
-
輸入是一個矩陣(輸入影像)，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
影像分割
-
輸入是一個矩陣(輸入影像)，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(掩模影像)，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，匯聚五百多位志願者的力量，分享最新的海外AI資訊，交流關於人工智慧技術領域的行業變革與技術創新的見解。
團隊成員有大數據專家、演算法工程師、影像處理工程師、產品經理、產品運營、IT諮詢人、在校師生；志願者們來自IBM、AVL、Adobe、阿里、百度等知名企業，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
