目標偵測

目標偵測是這樣一種視覺任務：在一張影像裡把各種東西找出來，並同時說出每樣東西「是什麼」以及「在哪裡」。「在哪裡」通常畫成一個框——一個緊緊套在每個物體外面的矩形，叫做邊界框——而「是什麼」則是貼在這個框上的一個標籤，比如「人」「杯子」或「堆高機」。於是，一張廚房的照片回傳時，可能會被標上：一個框套住馬克杯、另一個框套住水壺、第三個框套住檯面上的貓，每個框都標著它的名字。

這和單純給一張圖分類不一樣。普通的影像分類只回答「這張照片裡有沒有貓，有還是沒有？」，並且假定整張圖基本上就是一樣東西。偵測更難，因為真實場景裡同時有許多物體，大小各異，有時還相互重疊或被遮住一半，系統必須把每一個都單獨定位出來。對機器人來說，這一點至關重要：機械臂沒法去抓一個只被籠統地判斷成「畫面裡某處存在」的瓶子——它需要瓶子的確切位置才能伸手去夠，而且還得把這個瓶子和旁邊的玻璃杯區分開。

現代的目標偵測器幾乎都建立在神經網路之上，靠從海量帶標註的示例影像中學習而來，著名的家族包括 YOLO、SSD 和 Faster R-CNN。對於它所考慮的每一個候選位置，網路都會預測出一個類別標籤、一個信心分數（它有多確定），以及定義那個框的四個數字。它的輸出，是對「我面前有什麼、在哪裡」這個問題逐幀、快速給出的答案，而這正是抓取、避障、計數和追蹤的起點。