目标检测

目标检测是这样一种视觉任务：在一张图像里把各种东西找出来，并同时说出每样东西“是什么”以及“在哪里”。“在哪里”通常画成一个框——一个紧紧套在每个物体外面的矩形，叫做边界框——而“是什么”则是贴在这个框上的一个标签，比如“人”“杯子”或“叉车”。于是，一张厨房的照片回传时，可能会被标上：一个框套住马克杯、另一个框套住水壶、第三个框套住台面上的猫，每个框都标着它的名字。

这和单纯给一张图分类不一样。普通的图像分类只回答“这张照片里有没有猫，有还是没有？”，并且假定整张图基本上就是一样东西。检测更难，因为真实场景里同时有许多物体，大小各异，有时还相互重叠或被遮住一半，系统必须把每一个都单独定位出来。对机器人来说，这一点至关重要：机械臂没法去抓一个只被笼统地判断成“画面里某处存在”的瓶子——它需要瓶子的确切位置才能伸手去够，而且还得把这个瓶子和旁边的玻璃杯区分开。

现代的目标检测器几乎都建立在神经网络之上，靠从海量带标注的示例图像中学习而来，著名的家族包括 YOLO、SSD 和 Faster R-CNN。对于它所考虑的每一个候选位置，网络都会预测出一个类别标签、一个置信度分数（它有多确定），以及定义那个框的四个数字。它的输出，是对“我面前有什么、在哪里”这个问题逐帧、快速给出的答案，而这正是抓取、避障、计数和追踪的起点。