原论文链接:http://sjcj.nuaa.edu.cn/sjcjycl/article/html/202103001
一、小目标定义
1.1、小目标定义:
- 基于相对尺度定义
- 基于绝对尺度定义
整体特征:像素占比少,覆盖面积小,包含信息少
1.2、小目标面临的挑战
- 可利用特征少
- 定位精度要求高
- 现有数据集中小目标占比少
- 样本不均衡问题
- 小目标聚类问题
- 网络结构原因
二、小目标检测研究思路
2.1、数据增强
常见增强方法:扭曲变形、旋转和缩放、弹性形变、随机裁剪和平移、水平翻转、调整图像曝光和饱和度、Cutout、MixUp、CutMix、马赛克增强,保持增强
适用于小目标的:
- 复制增强
- 自适应采样
- 尺度匹配
- 缩放和拼接
- 自学习数据增强
2.2、多尺度学习(结合小目标的深层语义信息和表层表征信息)
2.3、上下文学习
- 基于隐式上下文特征学习的目标检测
- 基于显式上下文推理的目标检测
未来研究方向:
- 构建基于类别语义池的上下文记忆模型,通过利用历史记忆的上下文来缓解当前图像中上下文信息匮乏的问题
- 基于图推理的小目标检测,通过图模型的结合来针对性地提升小目标的检测性能
2.4、生成对抗网络
目的:通过将低分辨率小目标的特征映射成高分辨率目标等价特征,从而达到与尺度较大目标同等的检测性能。
优点: