近年來，深度學習模型逐漸取代傳統機器視覺方法而成為目標檢測領域的主流算法，本系列文章將回顧早期的經典工作，并對較新的趨勢做一個全景式的介紹，幫助讀者對這一領域建立基本的認識。

導言：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。深度學習模型由于其強大的表示能力，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。

 

圖像理解的三個層次

 

一是分類（Classification），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(string)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。

二是檢測（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，并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）。

三是分割（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，適用于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。

本系列文章關注的領域是目標檢測，即圖像理解的中層次。