Single object：單一物件
表示在圖像中只處理一個物件。又可分為以下兩類

1. 分類（Classification）：識別單一物件的類別，例如「兔子」。
2. 分類 + 定位（Classification + Localization）：不僅識別物件類別，還會標出物件的位置，例如用紅色框標出「兔子」的位置。

Multiple objects：多個物件
表示同時處理多個物件。又可分為以下兩類

1. 物件偵測（Object Detection）：同時偵測多個物件，並標出它們的位置，這裡偵測了「貓」、「狗」。
2. 實例分割（Instance Segmentation）：不僅偵測和定位物件，還會分割出每個物件的具體形狀，並精確區分出不同的實例，例如「貓」、「狗」的邊界。(濾除與狗狗貓貓無關的像素)

Image Segmentation 影像分割技術
用來將圖像分割成多個區域或部分，使得每個區域能更容易分析和處理。

1. Semantic Segmentation 語義分割
   將圖像的每個像素都進行分類，但會忽略相同類別物體之間的差異，相同類別的物體如果太接近就會被分組在一起，無法分割(例如兩棵樹會被看作一個整體)，所以要預測個別物體的行為就會有難度。

2. Instance Segmentation 實例分割
   先對圖像中的物件進行偵測，再對偵測到的物件進行語意分割(例如先偵測到有兩個物件存在，再去辨識其分別都是樹)，會比語意分割更精確的追蹤物件。

3. Panoptic Segmentation 全景分割
   在同一個模型中同時進行上述兩種分割方法，融合兩種結果，對每個像素進行分類同時區分每個物件實例，包含背景跟所有物體，能保持畫面中每個物件的關係，適用於同時需要處理背景跟前景物件的任務

4. Region-Based Segmentation 區域分割
   常見於醫療影像處理，透過像素間的顏色、質地、灰階變化來進行分割(不同人體組織與病變區域)。

5. Edge-Based Segmentation 邊緣分割
   透過偵測像素快速變化的區域進行分割，把物體跟背景分割開來。比如物體輪廓偵測、交通號誌識別。

6. Threshold-Based Segmentation 閾值分割
   透過設定閾值，將圖像分成不同區域，最為簡單。比如文字識別，有明顯灰階差異。

不同的分割技術適用於不同的場景，要根據具體需求選擇最合適的技術能夠有效提高效率~~