（一）任务表述
- 图像理解的三大层次
图像水平的物体分类
通用目标检测
像素水平的物体分割
-
分类（Classification）：是最简单、最基础的图像理解任务
ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用领域，人脸、场景的识别等都可以归为分类任务。 -
检测（Detection）：在目标定位中，通常只有一个或固定数目的目标；而目标检测更一般化，其图像中出现的目标种类和数目都不定。检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。
-
分割（Segmentation）：包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。
（二）主要难题
两个相互竞争的目标：high quality/accuracy and high efficiency
（三）研究进展
- 过去20年
- 基于深度学习的方法
- 两大类别
- 两级式检测框架，包含一个产生候选区域（region proposals）的预处理步骤，使得整体流程是两级式的。
在检测准确率和定位精度上占优 - 单级式检测框架，即无候选区域的框架，不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。整个流程是单级式的。
在算法速度上占优