目标检测 - 概述
概述
目标检测（Object Detection） 是计算机视觉领域的核心任务之一，旨在从图像或视频中识别并定位特定目标的位置和类别。
核心目标
- 定位（Localization）：用**矩形框（Bounding Box）**标出目标的位置，通常用坐标表示（如中心点坐标、宽高）。
- 分类（Classification）：判断边界框内的物体属于哪个类别（如人、车、狗等）。
类比：
人脸识别：
- 人脸检测（目标检测的子任务）：定位人脸位置（类似目标检测的定位）。
- 人脸识别：进一步判断检测到的人脸属于哪个具体个体（身份识别，类似“细粒度分类”）。
文字识别（OCR）：
- 文本检测：定位图像中的文字区域（类似目标检测的定位）。
- 文本识别：将检测到的文字区域转换为可编辑的字符（如识别“Hello”）。
核心差异表
| 任务 | 输出内容 | 核心目标 | 典型模型 |
|---|---|---|---|
| 目标检测 | 边界框 + 类别标签 | 多物体定位与分类 | YOLO、Faster R-CNN |
| 人脸识别 | 人脸位置 + 身份ID | 个体身份确认 | FaceNet、ArcFace |
| 文字识别 | 文字区域 + 字符内容 | 从图像中提取可编辑文本 | CRNN、EAST（检测）+ Tesseract（识别） |
PS: **语义分割（Semantic Segmentation）**是计算机视觉中一项细粒度的图像理解任务，其目标是为图像中的每个像素分配一个类别标签，从而将图像划分为多个具有语义意义的区域。与目标检测（标框定位）不同，语义分割关注像素级的精确分类，常用于需要理解场景细节的应用。
常用数据集与评估指标
- 数据集：COCO、PASCAL VOC、ImageNet、KITTI（自动驾驶）。
- 评估指标：
- mAP（平均精度）：综合衡量分类和定位的精度。
- FPS（帧率）：检测速度指标。