目标检测

在图像里找出物体是什么、在哪里，并用方框标出来的任务。

目标检测是计算机视觉的基础任务：输入一张图，输出其中每个物体的类别、边界框（包住物体的矩形框）和置信度。早期代表是基于手工特征的 Viola-Jones 人脸检测；深度学习后出现 R-CNN 系列两阶段检测器，以及 2015 年提出的 YOLO，它把检测直接当成对边界框和类别概率的回归问题，能实时运行。评估时用交并比（IoU，两框重叠面积占合并面积的比例）判断预测框是否对上，再汇总成 mAP（各类别平均精度的均值）。传统检测器只认识训练时见过的类别，Grounding DINO 这类开放词汇检测器可以用任意文字描述去找物体。机器人里，检测常是模块化流程的第一步：先框出目标，再分割、估位姿、规划抓取。

例子用户说「把红色杯子拿给我」，系统先把「red cup」输入 Grounding DINO 得到边界框，再交给 SAM 抠出掩码，结合深度图算出杯子的三维位置，交给机械臂去抓。

也叫

物体检测、物体识别与定位

相关

检测框（边界框）、开放词汇检测、YOLO、Grounding DINO、交并比、实例分割

来源

Wikipedia: Object detection
You Only Look Once: Unified, Real-Time Object Detection (arXiv 1506.02640)
Grounding DINO (arXiv 2303.05499)