完整定義
圖像識別是電腦視覺領域的一個廣泛概念,其目標是讓電腦能夠理解和解釋圖像中的內容。這不僅包括將圖像分類到預定義的類別中(如圖像分類),還包括識別圖像中的特定對象、人物、地點或事件。圖像識別技術廣泛應用於各個領域,例如人臉識別、物體檢測和場景理解。
白話說明
你有沒有想過,AI 不只看出這是貓,還能知道這是誰、在哪裡、在做什麼?
你可以把圖像識別想成對圖片做更廣義的辨認。
它比單純分類更進一步,會去認出物體、人物、場景或事件,常常還會牽涉位置資訊。
記住這句
不只貼標籤,還要知道是什麼。
比喻:圖像識別就像一個「偵探」-- 它不只會判斷圖片裡「有沒有人」,還會指出「這個人是誰」、「他在哪裡」、「他在做什麼」。它能在圖片中精準地找出並辨識出各種特定的物體或人臉,並理解它們的屬性。
容易混淆
圖像識別 vs 圖像分類
分類只關心整張圖的類別
識別的範圍更廣,可能包括人物、場景和位置
最關鍵的區別是整體分類,還是廣義辨認
圖像識別 vs 物件偵測
識別偏向知道是什麼
偵測還要知道在哪裡
最關鍵的區別是辨認本體,還是定位加辨認
實際案例
相片搜尋
手機或雲端相簿可以靠圖像識別找出人臉、地點或特定物件。
門禁和安防
圖像識別常被用來辨認人員身份,協助門禁或監控系統。
演算法與應用
圖像識別的範圍比圖像分類大,常和偵測、分割一起出現。
在實務上,模型好不好通常要看準確率、召回率和誤判成本。
中英對照與常見說法
- 說法
- 圖像識別、影像辨識
- 出現場合
- 台灣兩種說法都常見,「影像辨識」較正式
- 說法
- 图像识别
- 出現場合
- 簡體寫法
- 說法
- Image Recognition
- 出現場合
- 英文原名
- 說法
- 電腦視覺(Computer Vision)
- 出現場合
- 涵蓋範圍更廣的上位詞
幾個容易混淆的任務
日常講「圖像識別」時,指的可能是上面任何一種。溝通規格時一定要問清楚要的是哪一個,因為資料標註成本與模型選擇差很多:分類只要一張圖一個標籤,分割要逐像素標,成本差上百倍。
- 任務
- 影像分類(classification)
- 輸出
- 整張圖一個標籤
- 例子
- 這是貓
- 任務
- 物件偵測(detection)
- 輸出
- 多個邊界框加類別
- 例子
- 圖上有 2 隻貓,位置在這裡
- 任務
- 語義分割(segmentation)
- 輸出
- 每個像素一個類別
- 例子
- 這些像素屬於貓
- 任務
- 影像檢索(retrieval)
- 輸出
- 相似影像清單
- 例子
- 找出跟這張最像的商品
- 任務
- 人臉辨識(face recognition)
- 輸出
- 身分
- 例子
- 這是誰
技術演進
手工特徵時期:SIFT、HOG 這類人工設計的特徵抽取器,加上 SVM 之類的分類器。表現受限於特徵設計的好壞。
卷積神經網路時期:2012 年 AlexNet 在 ImageNet 上大幅領先之後,特徵改由網路自己學。之後是 VGG、ResNet(用殘差連接讓網路能疊到很深)、EfficientNet 這一系列。
Transformer 與多模態時期:ViT 把影像切成區塊當序列處理;CLIP 用大量圖文配對訓練,讓模型能用文字描述辨識沒有專門訓練過的類別,這使得零樣本影像辨識變得實用。
實務上最常見的三個坑
訓練資料與實際場景不一致。 用網路上乾淨的商品照訓練,上線後拍的是倉庫裡歪斜、反光、部分遮擋的照片,準確率直接腰斬。資料收集要盡量在真實環境下做。
模型學到了不該學的線索。 所有正樣本都是同一台相機在同一個角度拍的,模型可能是靠背景或色調在判斷。用 Grad-CAM 這類工具看模型在注意哪裡,是最快發現這個問題的方法。
類別不平衡與長尾。 實際場景裡少數類別佔絕大多數樣本,罕見但重要的類別(瑕疵、危險物)樣本極少。整體準確率會漂亮但沒有用,評估一定要看各類別的召回率。
情境判斷
Q1: 你要讓系統在照片裡找出某個人,會想到什麼?
圖像識別,若還要畫框定位,則會進一步用物件偵測。
Q2: 你只要知道照片屬於哪一類,還需要完整識別嗎?
不一定,只做圖像分類就夠了。
常見問題
不一樣,物件偵測更重視位置。
CNN、遷移學習和更進階的視覺模型都常見。
光線、角度、遮擋和資料偏差都會影響結果。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本