深度学习相关的图像处理的专业术语

边缘检测（Edge Detection/Contour Detection）：效果如下图所示：

目标检测（Object Detection）：

(1)目标分类（即目标识别，只要能够知道这个东西是什么名字即可）

(2)目标定位

(3)目标检测

图1 目标分类、定位、检测示例

简单来说，分类、定位和检测的区别如下：

分类：是什么？

定位：在哪里？

检测：在哪里+是什么？

 

              目标分类                                                       目标定位                                                       目标检测

参考文章：

https://baijiahao.baidu.com/s?id=1608705724317838896&wfr=spider&for=pc

https://blog.csdn.net/mdjxy63/article/details/76009046

实例分割（Instance Segmentation）：机器自动从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记。

语义分割（Semantic segmentation）：对图片的每个像素都做分类。

借一个浅显的说法：语义分割不区分属于相同类别的不同实例。例如，当图像中有多只猫时，语义分割会将两只猫整体的所有像素预测为“猫”这个类别。与此不同的是，实例分割需要区分出哪些像素属于第一只猫、哪些像素属于第二只猫

参考文章：https://blog.csdn.net/qq_39295044/article/details/79796663

候选区域（Region Proposal）：  是预先找出图中目标可能出现的位置。它利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口(几千甚至几百）的情况下保持较高的召回率（Recall）。

目标检测（object detection）：

YOLO(You only look once unified real-time object detection ):

bounding box:

sliding window:

end-to-end:

generalizable representations:

grid cell:

normalize:归一化

classification:

localization:定位

滑动窗口技术：

selective search:

overfeat:

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。