图像识别是识别图像中感兴趣的对象并识别它们属于哪个类别的任务。照片识别和图片识别是可以互换使用的术语。
当我们在视觉上看到一个对象或场景时，我们会自动将对象识别为不同的实例并将它们与单独的定义相关联。然而，视觉识别对于机器来说是一项非常复杂的任务。
使用人工智能进行图像识别是计算机视觉领域长期存在的研究问题。虽然不同的方法随着时间的推移而演变，但图像识别的共同目标是将检测到的对象分类为不同的类别。
在过去的几年里，机器学习，特别是深度学习技术，在许多计算机视觉和图像理解任务中取得了巨大的成功。
图像识别的含义和定义在计算机视觉领域，分割、分类、识别和检测等术语经常互换使用，不同的任务重叠。虽然这基本上没有问题，但如果您的工作流程要求您专门执行特定任务，事情就会变得混乱。
图像识别与计算机视觉术语图像识别和计算机视觉通常可以互换使用，但实际上是不同的。事实上，图像识别是计算机视觉的一种应用，它包括一组任务，包括对象检测和图像分类。
图像识别与对象定位对象定位是计算机视觉的另一个子集，经常与图像识别混淆。对象定位是指识别图像中一个或多个对象的位置并围绕其周边绘制边界框。但是，对象定位不包括检测到的对象的分类。
图像识别与图像检测术语图像识别和图像检测经常相互代替。但是，存在重要的技术差异。
图像检测是将图像作为输入并在其中查找各种对象的任务。当我们严格处理检测时，我们并不关心检测到的对象是否有任何意义。图像检测的目标只是将一个对象与另一个对象区分开来，以确定图片中存在多少不同的实体。因此，围绕每个单独的对象绘制边界框。
另一方面，图像识别是识别图像中感兴趣的对象并识别它们属于哪个类别或类别的任务。
图像识别如何工作？使用传统的计算机视觉图像识别的传统计算机视觉方法是图像过滤、分割、特征提取和基于规则的分类的序列。
然而，传统的计算机视觉方法需要高水平的专业知识、大量的工程时间并包含许多需要手动确定的参数，而对其他任务的可移植性非常有限。
使用机器学习和深度学习另一方面，机器学习的图像识别使用算法从好的和坏的样本数据集中学习隐藏的知识（监督学习）。最流行的机器学习方法是深度学习，其中在一个模型中使用多个隐藏层。
与传统的计算机视觉方法相比，深度学习只需要机器学习工具的工程知识，不需要特定机器视觉领域的专业知识。此外，深度学习的特殊实现只需要几十个学习样本