计算机视觉 图像分类 → 目标检测 → 实例分割

分类、分割和目标检测是计算机视觉(Computer Vision)领域中三个核心且密切相关的任务,它们都旨在让机器"理解"图像内容,但在任务目标和输出形式上有显著区别。

以下是这三个任务的详细对比和解释:


1. 图像分类(Image Classification)

任务目标 :

判断整张图像属于哪个预定义的类别。

输出形式 :

一个类别标签(或类别概率分布)。

示例 :

输入:一张图片

输出:猫、狗、汽车、飞机 等。

特点:

  • 只关心"是什么 ",不关心"在哪里"。
  • 最基础的视觉任务,通常作为其他任务的前置步骤。
  • 模型如:ResNet、VGG、EfficientNet、Vision Transformer(ViT)。

应用场景:

  • 相册自动分类
  • 医学影像初步筛查(正常/异常)
  • 垃圾邮件图片识别

2. 目标检测(Object Detection)

任务目标 :

在图像中定位并识别多个物体。不仅要识别出物体的类别,还要标出它们的位置。

输出形式 :

多个边界框(Bounding Box) + 每个框对应的类别标签 + 置信度分数。

示例 :

输入:一张包含多个人和车的街景图

输出:

  • [类别: 人, 边界框: (x1,y1,x2,y2), 置信度: 0.98]
  • [类别: 车, 边界框: (x3,y3,x4,y4), 置信度: 0.95]
  • [类别: 人, 边界框: (x5,y5,x6,y6), 置信度: 0.92]

特点:

  • 关心"是什么 "和"在哪里"。
  • 输出是稀疏的(只标注物体级别的框)。
  • 模型如:YOLO 系列、Faster R-CNN、SSD、RetinaNet。

应用场景:

  • 自动驾驶(检测车辆、行人、交通灯)
  • 安防监控(异常行为检测)
  • 无人机目标追踪

3. 图像分割(Image Segmentation)

任务目标 :

对图像中的每个像素进行分类,精确地划分出物体的轮廓和区域。

根据细分程度,可分为:

a. 语义分割(Semantic Segmentation)
  • 目标 :为每个像素分配一个类别标签,但不区分同一类别的不同个体。
  • 输出:与输入图像同尺寸的分割图,每个像素有一个类别标签。
  • 示例:所有"人"的像素都标记为"人"类,不区分是哪一个人。
  • 模型:U-Net、DeepLab、SegNet。
b. 实例分割(Instance Segmentation)
  • 目标 :不仅区分类别,还区分同一类别的不同个体。
  • 输出 :每个物体的精确掩码(Mask) + 类别 + 置信度。
  • 示例:第一个人的像素标记为"人-1",第二个人的像素标记为"人-2"。
  • 模型:Mask R-CNN、YOLACT、SOLO。
c. 全景分割(Panoptic Segmentation)
  • 目标:结合语义分割和实例分割,统一处理"可数物体"(如人、车)和"不可数区域"(如天空、道路)。
  • 输出:一张图中所有像素的完整标注,既区分个体也区分背景类别。

特点:

  • 关心"是什么 "、"在哪里 ",还关心"精确轮廓"。
  • 输出是密集的(每个像素都有标签)。
  • 比分类和检测更精细,计算成本也更高。

应用场景:

  • 医学图像分析(肿瘤区域分割)
  • 自动驾驶(道路可行驶区域分割)
  • 图像编辑(背景替换、抠图)

总结对比表

任务 输出粒度 是否定位 是否区分个体 输出形式 典型模型
分类 整图 否 不适用 类别标签 ResNet, ViT
目标检测 物体级别 是 否(YOLO等) 边界框 + 类别 YOLO, Faster R-CNN
实例分割 像素级别 是 是 掩码(Mask)+ 类别 Mask R-CNN, YOLOv8-seg
语义分割 像素级别 是 否 类别图(每个像素有类别) U-Net, DeepLab
全景分割 像素级别 是 是(所有物体) 统一的像素级标注 Panoptic FPN

关系演进

这三个任务可以看作是视觉理解的逐步精细化过程:

复制代码
图像分类 → 目标检测 → 实例分割 → 全景分割

从"整图是什么"到"物体在哪",再到"物体的精确形状",计算机对图像的理解越来越接近人类水平。

相关推荐
会飞锦鲤14 小时前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
电科_银尘5 天前
【大模型算法与工程 05】分类、回归与排序指标:怎样评价一个模型
算法·分类·回归
硅谷秋水6 天前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
jay神6 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
小宋10216 天前
AI 爬虫把大学图书馆站点拖垮:按行为指纹给爬虫分类、按类发配额、用边缘缓存分层,以带宽成本结构和真实用户 P95 延迟定档
人工智能·爬虫·分类
jay神8 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
wangxiaoxuan2179 天前
TF2 的原理与使用:把坐标、运动和观测时间一起算清楚
计算机视觉·机器人·科沃斯八界
硅谷秋水9 天前
EgoHumanoid‑V2 方法分析
人工智能·机器学习·计算机视觉·语言模型·机器人
BYSJMG9 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计
BYSJMG9 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计