目標檢測和圖像分割之間的區(qū)別
圖像檢測和圖像分割有什么區(qū)別？
人工智能對于圖像處理有不同的任務。在本文中，我將介紹目標檢測和圖像分割之間的區(qū)別。
在這兩個任務中，我們都希望找到圖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像頭照片，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于此：目標檢測（Object Detection）和圖像分割（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。這意味著我們的圖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。
來自開放圖像數(shù)據(jù)集的注釋圖像。家庭堆雪人，來自 mwvchamber。在CC BY 2.0許可下使用的圖像。
|
如何理解目標檢測 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圖像切成小塊，然后在每個子圖像上應用圖像分類，以區(qū)別該圖像是否是人類。對單個圖像進行分類是一項較容易的任務，并且是對象檢測的一項，因此，他們采用了這種分步方法。 當前，YOLO模型（You Only Look Once）是解決此問題的偉大發(fā)明。YOLO模型的開發(fā)人員已經構建了一個神經網絡，該神經網絡能夠立即執(zhí)行整個邊界框方法！ |
|
|
當前用于目標檢測的最佳模型 YOLO Faster RCNN |
目標分割-預測掩模
一步一步地掃描圖像的邏輯替代方法是遠離畫框，而是逐像素地注釋圖像。
如果你這樣做，你將會有一個更詳細的模型，它基本上是輸入圖像的一個轉換。
來自開放圖像數(shù)據(jù)集的注釋圖像。家庭堆雪人，來自 mwvchamber。在CC BY 2.0許可下使用的圖像。
|
如何理解圖像分割 這個想法很基本：即使在掃描產品上的條形碼時，也可以應用一種算法來轉換輸入信息（通過應用各種過濾器），這樣，除了條形碼序列以外的所有信息在最終圖像中都不可見。 |
|
這是在圖像上定位條形碼的基本方法，但與在圖像分割中所發(fā)生的情況類似。 圖像分割的返回格式稱為掩碼:與原始圖像大小相同的圖像，但是對于每個像素，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，它就會變得更加復雜：例如，它可以將一個海灘景觀分為三類：空氣、海洋和沙子。 |
|
|
當下圖像分割的最佳模型 Mask RCNN Unet Segnet |
比較總結
|
對象檢測 輸入是一個矩陣(輸入圖像)，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 |
|
|
圖像分割 輸入是一個矩陣(輸入圖像)，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(掩模圖像)，每個像素有一個包含指定類別的值 |
責任編輯：lq
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
圖像處理
+關注
關注
27文章
1329瀏覽量
58069 -
圖像分割
+關注
關注
4文章
182瀏覽量
18341 -
圖像檢測
+關注
關注
0文章
35瀏覽量
12050
原文標題：計算機視覺：圖像檢測和圖像分割有什么區(qū)別？
文章出處：【微信號：vision263com，微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。
發(fā)布評論請先 登錄
相關推薦
熱點推薦
圖像采集卡與視頻采集卡的主要區(qū)別對比
圖像采集卡和視頻采集卡的核心區(qū)別在于它們的設計目標、處理對象和典型應用場景。盡管名稱相似，且有時功能會有重疊（尤其是高端設備），但它們側重點不同：以下是主要區(qū)別：1.處理對象與
【正點原子STM32MP257開發(fā)板試用】基于 DeepLab 模型的圖像分割
：https://arxiv.org/pdf/1706.05587
應用場景
自動駕駛：用于道路、車輛、行人等目標的精確分割。
醫(yī)學影像分析：用于腫瘤、器官等區(qū)域的分割。
衛(wèi)星圖像分析
發(fā)表于 06-21 21:11
YOLOv8水果檢測示例代碼換成640輸入圖像出現(xiàn)目標框繪制錯誤的原因 ？
\"，中的best.kmodel替換為640輸入圖像，model_input_size=[640,640]，就會出現(xiàn)目標檢測的目標框位置混亂，目標
發(fā)表于 06-18 06:37
基于LockAI視覺識別模塊：C++目標檢測
檢測是計算機視覺領域中的一個關鍵任務，它不僅需要識別圖像中存在哪些對象，還需要定位這些對象的位置。具體來說，目標檢測算法會輸出每個檢測到的對
發(fā)表于 06-06 14:43
labview調用yolo目標檢測、分割、分類、obb
labview調用yolo目標檢測、分割、分類、obb、pose深度學習，支持CPU和GPU推理，32/64位labview均可使用。
（yolov5~yolov12）
發(fā)表于 03-31 16:28
DLPC3479圖像模式和光控制模式的區(qū)別是什么?
之間的區(qū)別？
問題三：我使用FPGA將圖像 傳送給dlpc3479進行處理，在operating mode 中應該選取上述哪一項？
萬分感謝
發(fā)表于 02-24 08:27
采用華為云 Flexus 云服務器 X 實例部署 YOLOv3 算法完成目標檢測
一、前言 1.1 開發(fā)需求 這篇文章講解：?采用華為云最新推出的 Flexus 云服務器 X 實例部署 YOLOv3 算法，完成圖像分析、目標檢測。 隨著計算機視覺技術的飛速發(fā)展，深度學習模型如
AI模型部署邊緣設備的奇妙之旅：目標檢測模型
，目標物體周圍復雜的背景信息可能會干擾分類結果，使得分類器難以專注于真正重要的區(qū)域。
在深入探討了圖像分類任務及其面臨的挑戰(zhàn)之后，我們現(xiàn)在將目光轉向一個更為復雜的計算機視覺問題——目標檢測
發(fā)表于 12-19 14:33
無損檢測與傳統(tǒng)檢測的區(qū)別
在工業(yè)生產和質量控制中，檢測技術是確保產品安全性和可靠性的關鍵環(huán)節(jié)。隨著技術的發(fā)展，無損檢測技術逐漸成為了許多領域的首選檢測手段。本文將探討無損檢測與傳統(tǒng)
手冊上新 |迅為RK3568開發(fā)板NPU例程測試
PPOCR-Det語義分割
6.7 PPOCR-System
6.8 ppseg圖像分割
6.9 ppyoloe目標檢測
6.10 res
發(fā)表于 10-23 14:06
語義分割25種損失函數(shù)綜述和展望
本綜述提供了對25種用于圖像分割的損失函數(shù)的全面且統(tǒng)一的回顧。我們提供了一種新穎的分類法，并詳細審查了這些損失函數(shù)如何在圖像分割中被定制和利用，強調了它們的重要特征和應用，并進行了系統(tǒng)
在目標檢測中大物體的重要性
，中等物體提高2個百分點，大物體提高4個百分點）。摘要目標檢測模型是一類重要的機器學習算法，旨在識別并精確定位圖像或視頻中的物體。然而，由于物體的大小差異以及用
圖像處理器與計算機視覺有什么關系和區(qū)別
圖像處理器與計算機視覺是兩個在圖像處理領域緊密相連但又有所區(qū)別的概念。它們之間的關系和區(qū)別可以從多個維度進行探討。
手冊上新 |迅為RK3568開發(fā)板NPU例程測試
PPOCR-Det語義分割
6.7 PPOCR-System
6.8 ppseg圖像分割
6.9 ppyoloe目標檢測
6.10 res
發(fā)表于 08-12 11:03
工商網監(jiān)
評論