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呢？
why do we need object detection algorithms like yolo while we have image segmentation algorithms like deeplab_V3+ which do the same?
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（它们都在原始图片中定位和识别对象）。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？
你可以在here
中查看deeplab_V3+演示
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，该模型还会检测对象的精确边界，这通常会使速度变慢一些。他们都有自己的用途。在许多应用中（例如人脸检测），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：我们为每个图像提供一个边界框（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准确边界（语义分割）
因此对于分割，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。
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（它们都在原始图片中定位和识别对象）。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？
你可以在here
中查看deeplab_V3+演示在物体检测中，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，该模型还会检测对象的精确边界，这通常会使速度变慢一些。他们都有自己的用途。在许多应用中（例如人脸检测），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：我们为每个图像提供一个边界框（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准确边界（语义分割）
因此对于分割，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。