对象检测，语义分割和本地化之间有什么区别？

我已经在许多出版物中读过这些单词，并且我想为这些术语提供一些不错的定义，以使它们清楚地表明对象检测与语义分割与本地化之间的区别。如果您可以提供定义的来源，那就太好了。

我阅读了很多有关对象检测，对象识别，对象分割，图像分割和语义图像分割的论文，这是我得出的结论可能不正确的结论：

对象识别：在给定图像中，您必须检测所有对象（对象的受限类取决于您的数据集），使用边界框将其本地化，并使用标签将该边界框标记。在下图中，您将看到一个最新的对象识别状态的简单输出。

对象检测：类似于对象识别，但是在此任务中，您只有两类对象分类，即对象边界框和非对象边界框。例如，汽车检测：您必须使用给定的边界框检测给定图像中的所有汽车。

对象分割：像对象识别一样，您将识别图像中的所有对象，但是您的输出应显示该对象，以对图像的像素进行分类。

图像分割：在图像分割中，您将分割图像的区域。您的输出将不会标记彼此一致的图像的片段和区域应在同一片段中。从图像中提取超像素是此任务或前景背景分割的一个示例。

语义分割：在语义分割中，您必须使用一类对象（汽车，人，狗等）和非对象（水，天空，道路等）标记每个像素。换句话说，在语义分割中，您将标记图像的每个区域。

由于即使在2019年至今这个问题仍然不太清楚，它可能会帮助新的ML-Learners选择，因此以下是一个很好的图像显示了差异：

（在对图像进行分类之后，本地化是“绵羊”类周围的边界框） 来源：Towardsdatascience.com

我相信“本地化”的意思是“单个对象分类+使用2D或3D边界框的本地化”。

“对象检测”是对已知的已知对象类的所有实例进行本地化和分类。

语义分割基本上是按像素分类。

还涉及到度量标准（来源：https : //devblogs.nvidia.com/parallelforall/deep-learning-object-detection-digits/）

精度是精确识别的对象与预测的对象总数的比率（真阳性与真阳性的比率加上假阳性的比率）。

召回率是图像中准确识别的对象与实际对象总数的比率（真阳性与真阳性的比率加上真阴性的比率）。

mAP：基于DetectNet的精度和召回率的乘积的简化平均平均精度得分。对于网络对目标对象的敏感程度以及避免误报的程度，这是一个很好的综合度量。

本地化一词尚不清楚。因此，我将讨论对象检测和语义分割这两个术语。

在对象检测中，对每个图像像素是否属于特定类别（例如面部）进行分类。在实践中，这通过将像素分组在一起以形成边界框而得以简化，因此将确定边界框是否紧密围绕对象的问题减少了。由于像素可以属于多个对象（例如，脸，眼），因此它们可以同时保存多个标签。

另一方面，语义分割涉及为每个图像像素分配类别标签。尽管它们不包含边界框的简化，但可以提供更好的定位精度，但它们严格每个像素强制使用一个标签。

语义分割：这是将属于同一对象类的部分图像聚在一起的任务。例如：检测路标