小目标检测——An Analysis of Scale Invariance in Object Detection – SNIP

　　之前参加的人头计数比赛，包含比较小的人头，最小的gtbox的尺度只有4个像素点，大部分人脸检测算法的anchor最小设置为16个像素点，较难检测到，为了解决这个问题，看了这篇论文，了解到小目标检测一般是怎么解决的。

文章的出发点就是小目标一直目标检测的难点，论文分析了目前在极端尺度变化下识别和检测物体的不同技术，对比，然后提出了一个新颖的训练策略：Scale Normalization。
　　
　　尺度变化，尤其是小目标检测，一直是物体检测的难点，在ImageNet和COCO中，物体实例中等尺度的比例是0.554和0.106，所以在COCO中大多数物体均是小尺寸的或者是极端尺寸。
　　检测器需要处理的目标尺度变化时很大的，是CNN尺度不变属性的一个很大的挑战，尺度的变化导致了domain-shift。
　　目前为了缓解尺度变化和小目标的问题，现在已经提出了很多的方法：

• 浅层特征与深层特征融合来检测小目标
• dilated/deformable convolution 用来增大感受野以提升大目标的检测
• 在不同分辨率的层做独立的预测来获取不同的尺度
• 上下文信息来对模棱两可的情况做分辨
• 多尺度训练
• 多尺度测试
• NMS预测
  目前还有一些跟训练相关的重要的点没有提出：
• 上采样图片能够保持好的性能吗？数据集中形状是480x640，为什么要上采样到800x1200。我们可以在低分辨率的图中用更小的stride预训练吗？
• 当finetune的时候，训练物体实例的分辨率的应该在一定范围之内（64x64 - 256x256）吗？在适当rescale输入图片之后（上采样图片），所有分辨率的物体都参与训练吗？

不同尺度的影响（Image classification at multiple scales）

出发点：在state-of-the-arts的检测器上做实验（一