为什么我们需要像 yolo 这样的对象检测算法，而我们有像 deeplab_V3+ 这样的图像分割算法做同样的事情？ [关闭]答案

【问题标题】：why do we need object detection algorithms like yolo while we have image segmentation algorithms like deeplab_V3+ which do the same? [closed]为什么我们需要像 yolo 这样的对象检测算法，而我们有像 deeplab_V3+ 这样的图像分割算法做同样的事情？ [关闭]
【发布时间】：2019-12-15 07:08:38
【问题描述】：

我正在研究图像分割和对象检测，我认为它们做同样的事情（它们都可以定位和识别原始图片中的对象）。使用对象检测是否有任何好处，因为 deeplab_V3+ 比任何其他对象检测算法都具有更好的性能？

您可以在here 中查看 deeplab_V3+ 演示

【问题讨论】：

这听起来更像是一个广告而不是一个问题。
图像分割 = 对象检测 + 分割..这使得它更慢更重

标签： image-processing computer-vision object-detection image-segmentation yolo

【解决方案1】：

在物体检测中，该方法根据边界框坐标对图像中的物体进行定位和分类。然而，在图像分割中，模型也会检测到对象的确切边界，这通常会使其速度变慢一些。他们都有自己的用途。在许多应用程序（例如人脸检测）中，您只想检测图像中的某些特定对象，而不必关心它们的确切边界。但是在某些应用程序（例如医学图像）中，您需要例如肿瘤的确切边界。我们还可以考虑为这些任务准备数据的过程：

分类：我们只为每张图片提供一个标签
本地化：我们为每张图片提供一个边界框（4 个元素）
检测：我们应该为每个对象提供一个边界框和一个标签
分割：我们需要定义每个对象的确切边界（语义分割）

因此，对于分段，在提供数据和训练（编码器-解码器）模型方面都需要做更多的工作，这取决于您的任务目的。

【讨论】：