三种目标检测方法（基于传统数字图像处理的识别方法、基于传统机器学习的识别方法和基于深度学习的识别方法）的区别

问题描述：图像检测分为了基于传统数字图像处理的识别方法、基于传统机器学习的识别方法和基于深度学习的识别方法，但是有时迷惑三者的区别是什么呢？

问题解答：

第一，基于传统数字图像处理的识别方法和其他两者的区分在于基于传统图像处理方法没有损失函数，只需要人工地构造特征，如颜色、形状和纹理特征，然后设定一个阈值，根据是否大于阈值判断是不是待检测目标，整个过程不包含损失函数，不需要制作标签，属于无监督学习，而其他两种方法大都属于有监督学习。检测过程常常包含大津阈值法、形态学操作、凸包操作方法等算法。

这样就把基于传统数字图像处理与其他两种方法区分出来了，其他两种方法都包含损失函数。

第二，基于传统机器学习的识别方法与基于深度学习的识别方法的区别在于，基于传统机器学习的识别方法仍然需要人为地构造特征，然后将特征与标签分类值一一对应，最终利用分类器达到分类的目的，一般看到的基于传统机器学习的识别方法都是用在分类任务上。这里我们看到基于传统机器学习的识别方法与基于深度学习的识别方法都是有损失函数的训练过程，区别是基于传统机器学习的识别方法是人为选择好的特征。常用的算法有有Ｋ最近邻算法、支持向量机和AdaBoost分类器(中文名字叫作自适应增强分类器)。

第三，基于深度学习的识别方法是利用卷积神经网络进行特征提取，不涉人为构造特征。在整个分类或者定位的过程中，我们都不知道自己用的哪些特征，是一个黑箱。常用的算法有YOLO、Faster-RCNN和SSD.                                                                                  

基于传统数字图像处理的识别方法和基于传统机器学习的识别方法常常用在语义分割上。而深度学习YOLO算法是用在矩形框目标检测上。他们的任务略有不同。