计算机视觉 图像分类 → 目标检测 → 实例分割
分类、分割和目标检测是计算机视觉（Computer Vision）领域中三个核心且密切相关的任务，它们都旨在让机器“理解”图像内容，但在任务目标和输出形式上有显著区别。
以下是这三个任务的详细对比和解释：
1. 图像分类（Image Classification）
任务目标：
判断整张图像属于哪个预定义的类别。
输出形式：
一个类别标签（或类别概率分布）。
示例：
输入：一张图片
输出：猫、狗、汽车、飞机 等。
特点：
- 只关心“是什么”，不关心“在哪里”。
- 最基础的视觉任务，通常作为其他任务的前置步骤。
- 模型如：ResNet、VGG、EfficientNet、Vision Transformer（ViT）。
应用场景：
- 相册自动分类
- 医学影像初步筛查（正常/异常）
- 垃圾邮件图片识别
2. 目标检测（Object Detection）
任务目标：
在图像中定位并识别多个物体。不仅要识别出物体的类别，还要标出它们的位置。
输出形式：
多个边界框（Bounding Box） + 每个框对应的类别标签 + 置信度分数。
示例：
输入：一张包含多个人和车的街景图
输出：
[类别: 人, 边界框: (x1,y1,x2,y2), 置信度: 0.98][类别: 车, 边界框: (x3,y3,x4,y4), 置信度: 0.95][类别: 人, 边界框: (x5,y5,x6,y6), 置信度: 0.92]
特点：
- 关心“是什么”和“在哪里”。
- 输出是稀疏的（只标注物体级别的框）。
- 模型如：YOLO 系列、Faster R-CNN、SSD、RetinaNet。
应用场景：
- 自动驾驶（检测车辆、行人、交通灯）
- 安防监控（异常行为检测）
- 无人机目标追踪
3. 图像分割（Image Segmentation）
任务目标：
对图像中的每个像素进行分类，精确地划分出物体的轮廓和区域。
根据细分程度，可分为：
a. 语义分割（Semantic Segmentation）
- 目标：为每个像素分配一个类别标签，但不区分同一类别的不同个体。
- 输出：与输入图像同尺寸的分割图，每个像素有一个类别标签。
- 示例：所有“人”的像素都标记为“人”类，不区分是哪一个人。
- 模型：U-Net、DeepLab、SegNet。
b. 实例分割（Instance Segmentation）
- 目标：不仅区分类别，还区分同一类别的不同个体。
- 输出：每个物体的精确掩码（Mask） + 类别 + 置信度。
- 示例：第一个人的像素标记为“人-1”，第二个人的像素标记为“人-2”。
- 模型：Mask R-CNN、YOLACT、SOLO。
c. 全景分割（Panoptic Segmentation）
- 目标：结合语义分割和实例分割，统一处理“可数物体”（如人、车）和“不可数区域”（如天空、道路）。
- 输出：一张图中所有像素的完整标注，既区分个体也区分背景类别。
特点：
- 关心“是什么”、“在哪里”，还关心“精确轮廓”。
- 输出是密集的（每个像素都有标签）。
- 比分类和检测更精细，计算成本也更高。
应用场景：
- 医学图像分析（肿瘤区域分割）
- 自动驾驶（道路可行驶区域分割）
- 图像编辑（背景替换、抠图）
总结对比表
| 任务 | 输出粒度 | 是否定位 | 是否区分个体 | 输出形式 | 典型模型 |
|---|---|---|---|---|---|
| 分类 | 整图 | 否 | 不适用 | 类别标签 | ResNet, ViT |
| 目标检测 | 物体级别 | 是 | 否（YOLO等） | 边界框 + 类别 | YOLO, Faster R-CNN |
| 实例分割 | 像素级别 | 是 | 是 | 掩码（Mask）+ 类别 | Mask R-CNN, YOLOv8-seg |
| 语义分割 | 像素级别 | 是 | 否 | 类别图（每个像素有类别） | U-Net, DeepLab |
| 全景分割 | 像素级别 | 是 | 是（所有物体） | 统一的像素级标注 | Panoptic FPN |
关系演进
这三个任务可以看作是视觉理解的逐步精细化过程：
图像分类 → 目标检测 → 实例分割 → 全景分割
从“整图是什么”到“物体在哪”，再到“物体的精确形状”，计算机对图像的理解越来越接近人类水平。