我对采取哪种方法感到困惑，这就是问题所在。我应该实现一个失物招领模块，该模块可以识别使用出租车的乘客是否在后座上留下了东西。因此，摄像头将被放置在后座上方，一旦乘客离开出租车，人工智能模块将被触发，它将检查乘客是否忘记了座位上的东西，并提醒司机。现在的问题是，为了确定是否有东西留下，我可以使用物体检测，但并不是所有的物体都经过训练，因为在许多情况下，它们只会留下里面有东西的盖子。很难量化。然后我认为，因为我可以得到一个图像之前，他们坐着，然后通过采取另一个图像后，他们退出和执行图像差异，以找到轮廓进行比较。但也有可能不同的光照条件会被错误地识别出实质性的差异。[编辑]还有，图像分类如何，而不是检测，因为我真的对物体的位置不感兴趣，只是想知道物体是否在那里
有谁能给我推荐一个好的方法吗?谢谢你
我认为你是对的。你可以选择任何一种方式，对象检测或图像分类。
对于初学者，我认为你应该尝试图像分类。如果主要目标只是知道那里是否有一个物体，这是一个二元分类问题，你将需要更少的标记过程。你只需要解决背景图片太多(没有对象)和背景图片太少(有对象)的问题，但这是可行的。从一个像ResNet-50这样的预训练网络开始，看看它是如何运行的，你应该会有很好的结果。
对于物体检测，我看到的问题是可能留在座位上的物体的数量和可能的变化，是的，有一些常见的，你可以在它们上训练一个网络，但如果有一个完全不同的物体，你没有在它上训练，网络甚至不会检测到它。物体的变化在这里也很重要，根据我的经验，物体检测需要大量的数据，包括物体的不同位置和风格。这是可能的，但很难。为了测试这一点，在COCO上预先训练的模型应该给你一个整体的视角。
人们在出租车上不会忘记带那么多类型的物体(电话、钱包、包、雨伞、钥匙、夹克、帽子等)，所以我认为物体检测在99%以上的情况下都能完成这项工作。否则，"出租车优先"的做法;听起来没那么糟。你可以使用直方图归一化之类的方法来减少光线变化的影响。
我希望你有一个数据集可以处理，否则你应该做的第一件事就是收集一个。