深度学习对于图像的检测共分为4大任务：
从任务需求本身的角度来考虑，由于四个任务的处理结果的信息量依次增加，需要的工具的复杂度会依次增加，因此完成相应任务的难度也会越依次增加。
(1)图像分类a--->(2)目标检测b--->(3)语义分割c--->(4)实例分割d（是按照难度递增的方式）
这张图完美地解释了四个的区别。
（1）图像分类：（Image Classification ）
The task of object classification requires binary labels indicating whether objects are present in an image。
图像分类该任务需要我们对出现在某幅图像中的物体做标注。（例如输入一个测试图片，输出该图片中的物体类别）
（2）目标检测：（或者Object detection ）
Detecting an object entails both stating that an object belonging to a specified class is present, and localizing it in the image. The location of an object is typically represented by a bounding box.
物体检测，实现了两个任务：一是判断属于某个特定类的物体是否出现在图中；二是对该物体定位，定位常用表征就是物体的边界框。可实现：输入测试图片，输出检测到的物体类别和位置。
（3）语义分割：（或者Semantic scene labeling ）
The task of labeling semantic objects in a scene requires that each pixel of an image be labeled as belonging to a category, such as sky, chair, floor, street, etc. In contrast to the detection task, individual instances of objects do not need to be segmented。
语义标注/分割：该任务需要将图中每一点像素标注为某个物体类别。同一物体的不同实例不需要单独分割出来。对下图，标注为人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5。
实例分割是物体检测+语义分割的综合体。相对物体检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割可以标注出图上同一物体的不同个体（羊1，羊2，羊3...）
-----------end-------