計算機視覺的任務很多，有圖像分類、目標檢測、語義分割、實例分割和全景分割等，那它們的區別是什么呢？
1、Image Classification（圖像分類）
圖像分類（下圖左）就是對圖像判斷出所屬的分類，比如在學習分類中數據集有人（person）、羊（sheep）、狗（dog）和貓（cat）四種，圖像分類要求給定一個圖片輸出圖片里含有哪些分類，比如下圖的例子是含有person、sheep和dog三種。
2、Object detection（目標檢測）
目標檢測（上圖右）簡單來說就是圖片里面有什么？分別在哪里？（把它們用矩形框框住）
目前常用的目標檢測算法有Faster R-CNN和基於YOLO的目標檢測的算法
3、semantic segmentation（語義分割）
通常意義上的目標分割指的就是語義分割
語義分割（下圖左）就是需要區分到圖中每一點像素點，而不僅僅是矩形框框住了。但是同一物體的不同實例不需要單獨分割出來。對下圖左，標注為人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5等。
4、Instance segmentation（實例分割）
實例分割（上圖右）其實就是目標檢測和語義分割的結合。相對目標檢測的邊界框，實例分割可精確到物體的邊緣；相對語義分割，實例分割需要標注出圖上同一物體的不同個體（羊1，羊2，羊3...）
目前常用的實例分割算法是Mask R-CNN。
Mask R-CNN 通過向 Faster R-CNN 添加一個分支來進行像素級分割，該分支輸出一個二進制掩碼，該掩碼表示給定像素是否為目標對象的一部分：該分支是基於卷積神經網絡特征映射的全卷積網絡。將給定的卷積神經網絡特征映射作為輸入，輸出為一個矩陣，其中像素屬於該對象的所有位置用 1 表示，其他位置則用 0 表示，這就是二進制掩碼。
一旦生成這些掩碼， Mask R-CNN 將 RoIAlign 與來自 Faster R-CNN 的分類和邊界框相結合，以便進行精確的分割：
5、Panoramic segmentation（全景分割）
全景分割是語義分割和實例分割的結合。跟實例分割不同的是：實例分割只對圖像中的object進行檢測，並對檢測到的object進行分割，而全景分割是對圖中的所有物體包括背景都要進行檢測和分割。