对象检测构建一个与图像中的每个类对应的边界框。

图像分割为图像中的每个对象创建像素级掩码。

图像分割：
语义分割
所有属于特定类的像素都用相同的颜色表示(背景为黑色，person为粉红色)。

实例分割
同一类的不同对象有不同的颜色(Person 1为红色，Person 2为绿色，background为黑色等)。

提出区域细分
对象和图像的背景之间存在强烈的对比
阈值分割
设置一个阈值，低于或高于该阈值的像素值可以相应地分类(作为对象或背景)。

全局阈值
定义一个单一的阈值，把图像分成两个区域(对象和背景)。

局部阈值。

定义多个阈值，分割多个对象和背景。

根据某些阈值将对象分割到不同的区域。

1. 简单的计算
2. 运行速度快
3.当目标和背景有很高的对比度时，这种方法表现得很好
当灰度值之间没有明显的灰度差或重叠时，很难得到准确的线段。

边缘检测分割
边缘看作是图像不连续的局部特征，利用这种不连续性来检测边缘，从而定义物体的边界。

有利于图像在物体之间有更好的对比度。

如果图像中有太多的边，并且物体之间的对比度较低，则不适合。

基于聚类的分割
将图像的像素划分为均匀的簇。

首先，随机选择k个初始簇
将每个数据点随机分配到k个集群中的任意一个
计算这些集群的中心
计算所有点到每个簇中心的距离
根据这个距离，这些点被重新分配到最近的集群
计算新形成的星团的中心
最后，重复步骤(4)、(5)和(6)，直到集群的中心不变或者达到设定的迭代次数
a.计算时间太长，开销太大。

b. k-means是一种基于距离的算法。

它不适合聚类非凸聚类。

Mask R-CNN
为图像中的每个对象提供三个输出:类、边框坐标和对象掩码
简单、灵活、通用
这也是目前最先进的图像分割技术
将图像作为输入，并将其传递给ConvNet，它将返回该图像的特征映射。

区域建议网络(RPN)被应用到这些特征图上。

这将返回对象建议及其对象性评分。

在这些提案上应用RoI池层，将所有提案缩小到相同的大小。

最后，建议被传递给一个完全连接的层来分类和输出对象的边界框。

它还返回每个建议的掩码。