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。深度學習模型由於其強大的表示能力，加之數據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？根據后續任務的需要，有三個主要的層次：
分類（Classification）
分類即是將圖像結構化為某一類別的信息，用事先確定好的類別或實例ID來描述圖片。這一任務是最簡單、最基礎的圖像理解任務，也是深度學習模型最先取得突破和實現大規模應用的任務。其中，ImageNet是最權威的評測集，每年的ILSVRC催生了大量的優秀深度網絡結構，為其他任務提供了基礎。在應用領域，人臉、場景的識別等都可以歸為分類任務。
檢測（Detection）
分類任務關心整體，給出的是整張圖片的內容描述，而檢測則關注特定的物體目標，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，並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據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）。
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，適用於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。
基於深度學習的目標檢測算法
在深度學習興起並逐漸成為計算機視覺的核心方法之后，基於深度學習算法的一系列目標檢測算法大致可以分為兩大流派：
兩階段（two-stage）算法：先產生候選區域然后再進行CNN分類(RCNN系列)
單階段（one-stage）算法：直接對輸入圖像應用算法並輸出類別和相應的定位(yolo系列)
無論是兩階段還是單階段算法，它們都是在識別的快和准兩點上尋找一個平衡點和或者極端點。要么准要么快，但隨着深度學習和計算機視覺的向前發展，既快有准的算法也在逐漸的實現當中。
參考：