目标检测——深度学习下的小目标检测（检测难的缘由和Tricks）

小目标难检测缘由

主要缘由

（1）小目标在原图中尺寸比较小，通用目标检测模型中，通常的基础骨干神经网络（VGG系列和Resnet系列）都有几回下采样处理，致使小目标在特征图的尺寸基本上只有个位数的像素大小，致使设计的目标检测分类器对小目标的分类效果差。

（2）小目标在原图中尺寸比较小，通用目标检测模型中，通常的基础骨干神经网络（VGG系列和Resnet系列）都有几回下采样处理，若是分类和回归操做在通过几层下采样处理的 特征层进行，小目标特征的感觉野映射回原图将可能大于小目标在原图的尺寸，形成检测效果差。

其余缘由

（1）小目标在原图中的数量较少，检测器提取的特征较少，致使小目标的检测效果差。

（2）神经网络在学习中被大目标主导，小目标在整个学习过程被忽视，致使致使小目标的检测效果差。

Tricks

（1） data-augmentation.简单粗暴，好比将图像放大，利用 image pyramid多尺度检测，最后将检测结果融合.缺点是操做复杂，计算量大，实际状况中不实用;

（2） 特征融合方法：FPN这些，多尺度feature map预测，feature stride能够从更小的开始;

（3）合适的训练方法：CVPR2018的SNIP以及SNIPER;

（4）设置更小更稠密的anchor，设计anchor match strategy等，参考S3FD;

（5）利用GAN将小物体放大再检测，CVPR2018有这样的论文;

（6）利用context信息，简历object和context的联系，好比relation network;

（7）有密集遮挡，如何把location 和Classification 作的更好，参考IoU loss, repulsion loss等.

（8）卷积神经网络设计时尽可能度采用步长为1，尽量保留多的目标特征。