目标检测-小目标检测涨点方法

一、图片输入层面

1. 数据增强策略

• 增加包含小目标样本的采样率，缓解了训练过程中包含小目标图片较少的这种不均衡；

• 将小目标在同一张图像中多拷贝几次；增加了匹配到小目标GT的anchor的数量；

2. 多尺度输入

<HRDNet: High-resolution Detection Network for Small Objects>
多尺度输入分别送入独立的主干网络，然后再FPN层结合，最后输入，计算量太大；

3. SNIP

<An Analysis of Scale Invariance in Object Detection – SNIP>

作者先做了实验，得到在小尺度图像上训练的分类器，得到几个结论：

• 在高分辨率图像上训练的分类器，以低分辨率上采样图像作为输入，效果最差（因为训练和推理明显在scale层面存在domain-shift）；

• 在低分辨率图像上训练的分类器，以低分辨率图像作为输入，效果会比CNN-B好很多；

• 在高分辨率图像上训练的分类器，用低分辨率上采样图像fine-tune，然后低分辨率上采样图像作为输入，效果最好。

  

基于以上结论，采用多尺度训练过程中，要在避免那些极小的和极大的（多尺度后）带来的不好的影响时，考虑保证目标有足够的多样性。所以在进行多尺度训练过程中，将每种输入尺度下，不满足要求的proposal以及anchor忽略。论文中使用了三种尺度如图所示，比一般的多尺度训练的尺度跨度要大。

• 训练第二阶段的proposals时，在某个图片输入分辨率下，那些不满足尺寸约束的proposals和GT将被忽略（既不是正样本，也不是负样本），这些ROI将是invalid；

• 对于invalid GT（GT也会分为valid和invalid），训练RPN过程中anchor和这些invalid GT交并比>0.3的将不参与训练；

• 推理时在某个特别的分辨率下，检测框的尺寸不满足要求也会被滤除；

4. SNIPER

略

二、 Neck部分（采用金字塔结构改进方案的）

1. 某种金字塔

一般意义的FPN网络结构是最右边似的结构，而本文中采用的结构则是

该方法首先无疑是增加了计算量，优点就是最终输出的每一层的特征不是一个线性的变换（应该想表述的说不是从一层特征直接到另一层特征），而是使用共享的多层特征。最终相比RetinaNet提升一个点左右吧，效果一般。VisDrone2020检测的冠军团队采用了这个结构

2. AugFPN

<AugFPN: Improving Multi-scale Feature Learning for Object Detection> 双阶段专用结构，忽略。

3. PANet

PANet

PANet 作为path aggregation network（用在neck部分，效果能够提升4个点左右）:是基于Mask-rcnn的改进，主要三点贡献：

• 自底向上的路径增强，FPN只是将语义信息向下传递，没有对定位信息传递；本文则增加一个自底向上的金字塔，将浅层的定位信息再传递上去；
• 动态特征池化：FPN将每个Proposal根据大小分配到不同的特征层，文中解释大小相近的proposal可能分配到相邻的层；特征的重要程度可能与层级没关系，可以说是强行解释了。我认为这样的好处仅仅是每个proposal聚合了更多层的信息。动态池化也就是同一个proposal根据特征图相应缩放，取到特征后进行融合。（proposal是2-stage的名词，表示前景推荐框。RPN网络得到的ROI需要经过ROI Pooling或者ROI Align提取ROI特征，这一步操作中，其他方法都是单层特征，FPN同样也是基于单层特征。）
• 全连接层融合：如图所示。
  

4. M2Det

<M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network>

该文章利用多个TUM模块试图更充分构建的特征金字塔的网络结构，靠前的TUM提供浅层特征，中间的TUM提供中间层特征，靠后的TUM提供深层特征，通过这种方式能够多次将深层浅层特征融合，参数量多了。和RetinaNet对比可以看到，512输入，都不采用multi-scale推理，mAP由33提升到37.6，小目标精度也提升了一点；以参数量和计算量堆砌的精度提升，不是好方法。

5. Effective FPN

文章认为不同层的重要程度应该和目标的绝对尺度分布有关系，所以在FPN自上而下融合的时候，加入了一个尺度因子用来平衡金字塔不同层的重要性。个人感觉意义不大，实际提升也不明显。

6. MatrixNets

<MatrixNets: A New Scale and Aspect Ratio Aware Architecture for Object Detection>

    1.  采用centerNet作为base：

        *   GT根据长宽比分配到具体的layer，再分配到最近的特征点，用来训练中心点热力图；

        *   由具体的中心点来回归左上和右下角点；

        *   采用的soft nms；

    2.  采用cornerNet作为base: 略

三、 Head部分的改进方案

在VisDrones上的冠军方案和若干其他方案都采用了这种“双头部”的方案。soft-NMS似乎可以提升几个点。

四、 其他

小目标目前检测不好，主要原因不是小，应该是小且和背景接近，对比度不高。所以可以借鉴伪装物体检测的思路；