这两个任务是卷积神经网络的流行应用。但是，我不明白其中的区别。根据一个 Caffe 教程，对象检测的任务似乎更难。
对象检测是定义对象在图像中的位置，还是揭示图片中有多少对象...？
【问题讨论】：
标签： neural-network convolution deep-learning
检测是识别的过程，分类是基于先前定义的类或类型对对象进行分类。虽然两者都基于对象的可识别属性，但分类可以基于问题域采用任意边界，并且独立于检测。
似乎物体检测的任务更难了。
其中一个是否比另一个更难取决于所研究的特定属性、误差范围、准确率等。例如，如果对检测的容忍度比分类更严格，那么它可能被认为更难。但是在检测和分类之间交替进行的迭代应用程序中，哪个更难可能并不那么容易分辨。
对象检测是定义对象在图像中的位置，还是揭示图片中有多少对象...？
从技术上讲，检测应该是明确的，可能是布尔 T 或 F。所有其他属性，例如位置、数量以及所有其他属性都会进入分类。并不是说这些属性与检测无关，而是一旦检测到，任务现在就变成了分类任务。精确线或变换发生的位置取决于具体的应用。
【讨论】：
对象检测回答了“是否检测到对象？”这个问题。 （是/否）。任何不是二进制的东西都是对象分类或对象识别（例如人脸识别，而不是人脸分类）。对于图像，术语“识别”通常更合适，因为总是涉及一些不确定性，并且“识别”反映了图像中对象检测中发现的那些特定问题。
【讨论】：
区别如下。如果您必须定义图像的类别，则它与对象分类任务有关。如果必须在图像上定义物体的坐标，那就是物体检测任务。
要了解更多关于卷积神经网络在物体检测中的实际应用，可以阅读这篇文章：http://rnd.azoft.com/convolutional-neural-networks-object-detection/
【讨论】：
对象分类 - 给你一张图片，将这张图片分类到苹果、公共汽车、森林等类别。
对象检测 - 给你一张图片，找出类所在的补丁（或坐标）是否存在？例如 - 给定图像预测图像中是否存在类（如橙子、卡车、狮子）。
通常问题涉及这两种技术。首先，您必须对给定图像进行对象检测并取出所需的补丁。然后应用分类来预测它的类别（两者也可以在同一步骤中）
【讨论】：