深度学习可应用在计算机视觉领域的多个方面，包括图像分类、目标检测、图像语义分割、实例分割视觉任务。
图像分类
（1）单目标的图像分类
（2）多目标的图像分类
目标检测
分类和检测的区别如下：
分类：是什么？
检测：在哪里？分别是什么？（多个目标）
图像语义分割
实例分割
1. 评估方法
对语义分割模型来说，通常用下面的一些方法来评价算法的效果。
精度是评价图像分割网络最主要也是最流行的技术指标，这些精度估算方法各种不同，但是主要可以分为两类，一类是基于像素精度，另外一类是基于IOU。当前最流行的语义分割方法评估都是基于像素标记为基础完成的。
假设总计有（k+1）分类(标记为L0到Lk，其中包含一个背景类别)，Pij表示类别为 i 的像素被预测为类别为j的数目。
这样来说Pii就表示TP(true positives)，Pij与Pji分别表示为FP(false positives)与FN(false negatives)。
具体例子：k=6
（1）像素精度 PA (Pixel Accuracy)
最基础的度量计算，PA= (被正确预测的像素) / (总的像素)
（2）平均像素精度 MPA (Mean Pixel Accuracy)
(每个类别中被正确识别的像素总数 与 该类别的像素总数的比率) 之和，并求其均值：MPA= (Sum( (被正确预测的像素) / (总的像素) ) ) / (k+1)
（3）平均并交比 MIoU (Mean Intersection over Union)
MIoU 通过计算交并比来度量，这里交并比代指 ground truth 与预测分割结果之间。MIoU重新计算TP跟 (TP + FN+FP)之和之间的比率。
MIoU是各种基准数据集最常用的标准之一，绝大数的图像语义分割论文中模型评估比较都以此作为主要评估指标。
（4）频率权重并交比 FWIoU (Frequency Weighted Intersection over Union)
FWIoU 是 MIoU 的改进版本，它会根据每个分类出现频率，对每个分类给予不同权重。
（5）骰子系数 dice系数 (dice similarity coefficient)
传统的分割任务中，IOU是一个很重要的评价指标，而在三维医学图像分割领域，大部分的paper和项目采用dice系数来评价模型性能。
