分类：给一张影像，识别出影像上都有哪些地物，如图1，影像上有耕地、建筑物、水域以及道路；
目标检测：识别出影像上物体的类别，并给出该物体的位置，一般用方框给出问题，如图2，红色框表示某建筑物、黄色框表示某水田、白色框表示某水域；
语义分割：将影像中的每一个像素标注为某个类别，如图3，红色代表建筑物，绿色代表耕地，蓝色代表水体；
实例分割：是目标检测和语义分割的综合，相对于目标检测，实例分割可精确到物体的边界，相对语义分割，实例分割可以标注出同一地物的不同个体。如图4，绿色系表示不同形式的耕地，红色系表示不同风格的建筑，蓝色系表示不同位置的水域。
版权声明：本文为CSDN博主「doer119」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_64707172/article/details/122202709
目标检测算法分类： 1、两步走的目标检测：先找出候选的一些区域，再对区域进行调整分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 2、端到端的目标
PointPillars: Fast Encoders for Object Detection from Point Clouds 用于点云目标检测的快速编码器 一些网站 论文的github https://github.com/nuto
1.NMS(非极大值抑制)介绍 在目标检测算法中，对于一个真实物体的往往会有多个候选框输出，而我们只需一个最好的检测框，多余的候选框会影响检测的精度，因此需要利用NMS(非极大值抑制)来
COCO数据集简介 MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集。COCO数据集是一个大型的、丰富的物体检测&#x
暂无评论