众所周知，nVidia的DetectNet – 用于对象检测的CNN（卷积神经网络）基于Yolo/DenseBox的方法： https://devblogs.nvidia.com/parallelforall/deep-learning-object-detection-digits/

DetectNet是流行 GoogLeNet 网络的扩展。这些扩展类似于Yolo和DenseBox论文中采用的方法。

如这里所示，DetectNet可以检测任何旋转角度的对象（汽车）： https://devblogs.nvidia.com/parallelforall/detectnet-deep-neural-network-object-detection-digits/

现代CNN（卷积神经网络）如DetectNet是否具有旋转不变性？

我可以用成千上万张具有相同旋转角度的图像训练DetectNet，以便检测任何旋转角度的对象吗？

那么，基于DetectNet的Yolo、Yolo v2、DenseBox的旋转不变性如何？

回答：

不是

在分类问题中，CNN不具有旋转不变性。你需要在训练集中包含所有可能旋转角度的图像。

你可以训练一个CNN来将图像分类到预定义的类别中（如果你想像你的例子中那样在一个图像中检测多个对象，你需要用你的分类器扫描图像的每个位置）。

然而，这是一个对象检测问题，而不仅仅是分类问题。

在对象检测问题中，你可以使用滑动窗口方法，但这极其低效。相反，除了简单的CNN之外，还有其他最先进的架构。例如：

• Faster RCNN： https://arxiv.org/pdf/1506.01497.pdf
• YOLO NET： https://pjreddie.com/darknet/yolo/
• SSD： https://arxiv.org/pdf/1512.02325.pdf

这些架构可以检测图像中任何位置的对象，但你也必须在训练集中包含不同旋转角度的样本（并且训练集必须使用边界框进行标记，这非常耗时）。