图像分类 vs. 目标检测

图像分类任务专注于对整张图像进行类别判断，而在目标检测中，我们可能需要寻找图像中的多个不同对象。我们的目标是找出所有这些对象，并用最合适的边界框将它们框出，同时确定每个对象所属的类别。因此，目标检测的任务比图像分类更为复杂：我们首先要通过定位来检测对象的存在（即生成边界框），然后对每个框内的对象进行分类，以确定该框（物体）属于哪个类别。

• 图像分类：预测整张图像的类别。
• 目标定位：在图像中定位对象的位置，并使用边界框标示其所在区域。
• 目标检测：不仅用边界框定位图像中各个对象的位置，还对每个被定位的对象进行分类，识别其类别。

综上所述，由于目标检测需要同时提供对象的位置和类别信息，可以将其视为图像分类与目标定位两项任务的结合。根据不同的目标检测架构，这两个任务可以被同时处理或依次完成。但无论采用何种方式，一个完整的目标检测模型都必须解决这两个问题。

图像分类仅涉及对整个图像进行分类，而目标检测则更加复杂，需要解决多个子问题：首先需预测边界框的四个坐标值（即位置回归），然后再对该框内的内容进行分类。值得注意的是，目标定位本质上不是一个分类问题，而是一个回归问题！

分类 vs. 回归

在处理分类与回归任务时，明确两者之间的区别非常重要。下面我们来看一下回归的主要类型以及它与分类的关系：

线性回归

线性回归用于预测连续型或数值型变量。例如，根据房屋的位置、面积和房龄来预测其租金价格。这种任务的输出不是离散类别，而是由模型预测出的一个连续数值。

简单线性回归的一种常见形式是公式 $y = mx$，其中输入 $x$ 的取值范围通常为 $[-∞, +∞]$，对应的输出 $y$ 也有类似的无限范围。我们在神经网络的隐藏层中也见过类似线性函数的激活函数，比如 ReLU——正因为其广泛的输出范围，使得线性关系能够有效地在网络各层间传递信号。

逻辑回归（Sigmoid 回归）

假设我们有两个类别，希望根据输入 $x$ 判断其属于类别 $a$ 还是 $b$。线性回归的输出范围太宽泛，不利于直接分类。如果我们能将预测结果限制在 $[0,1]$ 区间内，就可以设定阈值来进行分类：例如当 $y > 0.5$ 时判定为类别 $a$，否则为类别 $b$。逻辑回归（又称 Sigmoid 回归）正是通过 Sigmoid 函数实现这一目的，将输出压缩到 $0$ 到 $1$ 之间，从而适用于二分类任务。

虽然 Sigmoid 函数在反向传播中存在梯度消失等问题，不适合作为隐藏层的激活函数，但在输出层中，若任务为二分类，Sigmoid 仍是合理且常用的选择。

分类（Softmax 回归）

如前所述，Softmax 函数可将模型最后的原始输出转换为概率分布。经过 Softmax 处理后，每个类别的输出值表示其可能性，且所有类别的概率之和等于 $1$。最终，我们将概率最大的类别作为模型的预测结果。

是否可以用线性回归来做分类任务？理论上是可以的，无论是二分类还是多分类问题，都可以通过对线性回归的输出施加某些条件来进行分类，例如设置阈值：“如果 $y > \text{阈值}$，则判为类别 $a$”。但这种方法并不推荐，因为线性回归对异常值非常敏感，容易导致分类结果不稳定。因此，针对具体问题选择合适的回归或分类方法，对于获得鲁棒的模型性能至关重要。