对于对象检测，我有以下关于 You Only Look Once (YOLO) 算法的问题。
我必须开发一个神经网络来识别 Web 应用程序中的 Web 组件——例如，登录表单、文本框等。在这种情况下，我必须考虑页面上对象的位置可能会有所不同，例如，当您向上或向下滚动时。
问题是，YOLO 是否能够检测到“不同”位置的物体？这些变化会影响识别精度吗？换句话说，如何实现平移不变性？另外，部分遮挡怎么办？
我的猜测是，这取决于数据集中示例的相关性：如果存在足够多的翻译/部分遮挡示例，它应该可以正常工作。
如果可能的话，我会很感激关于这个问题的论文或参考资料。
（PS：如果有人知道这个任务的标记数据集，如果你让我知道，我真的很感激。）
据我了解YOLO，它的算法将整张图片分割成许多小帧，对每一帧进行一次分类和边界检测，这样物体的位置就无关紧要了。
正如你所说，如果数据集包含足够多的此类案例示例，CNN 将能够检测到不同位置的对象，尽管网络能够泛化并且应该能够检测位置和方向略有变化的对象。
术语“平移不变性”并不意味着平移图像中的对象会对该对象产生相同的输出，而是表示平移整个图像会产生相同的结果。所以物体的相对位置很重要，现代 CNN 对整个图像做出决定（当然，有很强的局部线索）。
为了最大限度地提高 CNN 检测多方向的能力，您可以使用旋转图像的数据增强进行训练。
相同的推理可以应用于部分遮挡：如果训练集中有足够多的遮挡样本，网络应该能够检测到这些样本。当遮挡较小时，网络的泛化能力也应该有所帮助，并且仍然能够检测到对象。
一些论文尝试了不同的实验来证明遮挡和平移的鲁棒性，例如通过在人为地用灰色矩形遮挡图像的一部分时查看网络激活，尽管我没有想到论文名称。