| 项目 | 识别 Recognition | 检测 Detection | 感知 Perception |
|---|---|---|---|
| 核心问题 | 是什么、是谁 | 有什么、在哪里 | 整个环境是什么样 |
| 是否定位 | ❌ 一般不输出位置 | ✅ 输出 BBox 坐标 | ✅ 包含 2D/3D 位置、距离、运动 |
| 输入 | 裁剪好的目标区域 / 整张图 | 整张图像 | 图像、点云、IMU、音频等多传感器 |
| 输出 | 类别、身份、相似度 | 框 + 类别 + 置信度 | 场景语义、三维地图、目标状态、障碍物 |
| 从属关系 | 基础子任务 | 识别 + 定位的组合任务 | 顶层系统，包含检测、识别、分割等 |
| 典型场景 | 图像分类、人脸识别、OCR | 目标检测、缺陷检测、人脸框选 | 自动驾驶、机器人导航、多模态大模型感知 |
识别 Recognition
分类、比对，只认类别 / 身份，一般不关心位置。
输入：图像、人脸、字符等；
输出：类别标签、身份 ID、相似度分数；
不输出坐标框，不关心物体在图里哪个位置；
典型例子：
- 图像分类：输入一张图，输出「猫」
- 人脸识别：先有人脸区域，再比对数据库，输出「张三」
- OCR 文字识别：框已经切好，识别里面文字
代表模型：ResNet、ViT、ArcFace（人脸识别）
检测 Detection
核心问题：图里有哪些物体，每个物体在哪个位置？
输入：整张图像； 输出：一组 bounding box (框) + 类别 + 置信度；
定位（Where） + 识别（What）两个子任务；
可以同时检出多个不同物体、同类多个实例；
典型例子：自动驾驶摄像头检出行人、车辆、红绿灯；手机人脸检测（只框人脸，不分辨是谁）；
经典对比： 人脸检测 ：图里有没有人脸，框出来； 人脸识别：框出来的这张脸是谁。
代表模型：YOLO、Faster R-CNN、SSD
感知 Perception
核心问题：整个环境的状态、布局、语义是什么？
感知不是单一 CV 任务，是一个系统级概念，计算机视觉、自动驾驶、机器人领域高频词；
输入：相机、激光雷达、毫米波雷达、IMU、音频等多模态多传感器数据；
内部包含：目标检测、识别、分割、深度估计、跟踪、语义理解、实例关联、传感器融合；
输出：三维空间、障碍物距离、可行驶区域、场景语义、目标运动速度、行为信息；
典型例子：自动驾驶感知模块、机器人环境感知；
感知系统会调用检测、识别作为它内部的组件。
举自动驾驶场景串起来： 感知系统 → 相机做检测 （框出行人、车）→ 对车牌做识别 → 激光雷达测距离、融合，最终输出周围世界完整三维状态。
