解析：
CNN 的核心優勢是處理具有空間結構的資料，特別是影像。從倉庫監視器影像辨識貨架缺貨並標示位置，是典型的影像辨識/物件偵測任務，最適合使用 CNN。
你有沒有想過，AI 不只知道照片是什麼，還要知道物件在哪裡？ 你可以把它想成在圖片上把每個目標框出來，再告訴你那是什麼類別。 物件偵測同時做分類和定位，所以比單純看整張圖難很多。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。 這種寫法常用在需要先把問題定義清楚，再逐步提升模型品質的場景。
容易混淆
物件偵測 vs 影像分類 物件偵測：找出物件位置和類別 影像分類：只判斷整張圖屬於哪一類 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
物件偵測 vs 影像分割 物件偵測：用框標位置 影像分割：逐像素標出物件範圍 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
不只判斷是什麼，還要知道在哪裡。
實際案例
交通監控 系統在路口找出車、人、腳踏車，再幫忙做流量統計。
零售貨架 相機拍到貨架後，模型找出缺貨商品和擺放位置。
算法與應用
物件偵測通常會產生候選框，再對每個框做分類與回歸。 訓練和評估時，IoU、mAP、和後處理都很關鍵。 它是電腦視覺裡很實用的一類任務，從監控到自駕都會用。
情境判斷
Q1（直覺題）： 你要找出照片裡有幾台車，而且每台車在哪裡，這屬於什麼？
物件偵測。
Q2（判斷題）： 如果你只知道這張圖裡有狗，但不知道牠在哪，這算物件偵測嗎？
不算，那只是影像分類。
常見問題
物件偵測和分類差在哪？
分類只給類別，偵測還給位置。
它一定要用 CNN 嗎？
不一定，但 CNN 和其後代是很常見的視覺骨架。
它最常卡在哪裡？
小物件、遮擋、和密集場景都很難。
範例考題
某物流公司想導入 AI 以提升營運效率，評估不同資料型態與模型架構。下列哪一種應用情境最適合採用卷積神經網路（Convolutional Neural Network, CNN）作為主要模型架構？
- A. 依據包裹每日掃描紀錄的時間序列，預測下週各倉庫的進貨量波動
- B. 根據客服對話逐句內容的先後順序，判斷客訴是否可能升級為申訴案件
- C. 根據倉庫監視器影像，自動辨識貨架是否缺貨並標示缺貨區域位置 ✓ 正確答案
- D. 依據車隊 GPS 路徑點的連續軌跡，預測下一段可能行駛路線