小目标检测：基于深度学习的小目标检测方法

基于深度学习的小目标检测方法

小目标检测的难点：分辨率低、信息少，噪音多、图像模糊
解决方法：图像金字塔、特征金字塔、对包含小目标的图像进行oversampling、对小目标进行复制粘贴操作（不遮挡原有目标，有旋转和缩放）

摘抄：深度学习检测小目标常用方法汇总 link

特征融合的SSD：
SSD使用特征金字塔把最浅层的特征用到小目标检测上，因为浅层的感受野小，感受野的尺寸正好和小目标匹配。但是浅层的特征缺少语义信息，语义信息会影响检测器判断检测区域是目标 (object) 还是背景 (background)。那么将高层特征与低层特征融合，将会得到感受野适合，而又不缺乏语义信息的特征。
特征融合时采用了concatenation和sum的形式，前者能降低遮挡的影响，后者能够针对像素少和模糊的目标有更好的效果

特征金字塔：
浅层特征图的语义特征较弱，而位置特征较强；相反，深层特征图的语义特征较强， 但损失了精确地位置特征。同时利用浅层特征图和深层特征图，能够综合考量强位置特征和强语义特征，因此提升模型效果。
具体方法：得到特征图之后采用自顶向下的方法将小的特征图上采样之后与下一个特征图融合，融合之后再做预测，依次如此，即可得到多个预测结果

摘抄自：小目标检测文献相关（特征融合）link