物件偵測

物件偵測同時回答關於影像中每個物件的兩個問題：它在哪裡，以及它是什麼。「在哪裡」是緊貼物件畫出的一個框；「是什麼」則是類別標籤（例如「狗」或「車」）外加一個信心分數。可以把影像分類想成一位圖書館員告訴你某張照片「含有一隻狗」；而物件偵測則是一位圖書館員還會指出確切位置並說「這裡有一隻狗，那邊有一台腳踏車，他們後面有一個人」——而且要針對一張圖中數量未知、會變動的眾多物件。

讓偵測真正比分類更難的，是輸出的數量並非固定。分類器對每張影像永遠輸出一個標籤向量；偵測器則必須輸出一個長度可變的（框、類別、分數）三元組清單——空蕩天空中是零個物件，擁擠街道上則是數十個。這種「集合值」的輸出，正是這個領域幾乎所有設計選擇的根源：如何列舉候選位置、如何決定哪個候選對應哪個真實物件、以及如何避免把同一個物件重複回報多次。

具體而言，偵測器吃進一張影像，並為每個被偵測到的物件產生：一個邊界框（通常是四個數字）、一個取自固定詞彙表（外加一個隱含的「背景」類別）的類別標籤、以及一個落在 [0,1] 區間的信心值。品質的判定取決於預測框與真實框是否重疊得夠多（以交集比聯集衡量）以及標籤是否正確；標準的彙總指標是在多個召回率與 IoU 門檻上計算的平均精度均值（mAP），由 PASCAL VOC 與 COCO 基準推廣開來。

在架構上，這個領域分為兩階段偵測器（先提出候選區域，再對它們分類與微調——即 R-CNN 家族）、在影像上一次掃描就同時預測框與類別的單階段偵測器（YOLO、SSD、RetinaNet），以及較新的集合預測 transformer（DETR）——後者把偵測視為直接輸出一個固定大小的集合，再與真實標註做匹配。它們全都共享同樣的核心子問題：候選生成、標籤分配、框的回歸、以及重複框的移除。