近年來，深度學習模型逐漸取代傳統(tǒng)機器視覺方法而成為目標檢測領(lǐng)域的主流算法，本系列文章將回顧早期的經(jīng)典工作，并對較新的趨勢做一個全景式的介紹，幫助讀者對這一領(lǐng)域建立基本的認識。

導言：目標檢測的任務表述

如何從圖像中解析出可供計算機理解的信息，是機器視覺的中心問題。深度學習模型由于其強大的表示能力，加之數(shù)據(jù)量的積累和計算力的進步，成為機器視覺的熱點研究方向。

那么，如何理解一張圖片？根據(jù)后續(xù)任務的需要，有三個主要的層次。

 

圖像理解的三個層次

 

一是分類（Classification），即是將圖像結(jié)構(gòu)化為某一類別的信息，用事先確定好的類別(string)或?qū)嵗齀D來描述圖片。這一任務是最簡單、最基礎(chǔ)的圖像理解任務，也是深度學習模型最先取得突破和實現(xiàn)大規(guī)模應用的任務。其中，ImageNet是最權(quán)威的評測集，每年的ILSVRC催生了大量的優(yōu)秀深度網(wǎng)絡(luò)結(jié)構(gòu)，為其他任務提供了基礎(chǔ)。在應用領(lǐng)域，人臉、場景的識別等都可以歸為分類任務。

二是檢測（Detection）。分類任務關(guān)心整體，給出的是整張圖片的內(nèi)容描述，而檢測則關(guān)注特定的物體目標，要求同時獲得這一目標的類別信息和位置信息。相比分類，檢測給出的是對圖片前景和背景的理解，我們需要從背景中分離出感興趣的目標，并確定這一目標的描述（類別和位置），因而，檢測模型的輸出是一個列表，列表的每一項使用一個數(shù)據(jù)組給出檢出目標的類別和位置（常用矩形檢測框的坐標表示）。

三是分割（Segmentation）。分割包括語義分割（semantic segmentation）和實例分割（instance segmentation），前者是對前背景分離的拓展，要求分離開具有不同語義的圖像部分，而后者是檢測任務的拓展，要求描述出目標的輪廓（相比檢測框更為精細）。分割是對圖像的像素級描述，它賦予每個像素類別（實例）意義，適用于理解要求較高的場景，如無人駕駛中對道路和非道路的分割。

本系列文章關(guān)注的領(lǐng)域是目標檢測，即圖像理解的中層次。