[论文笔记] SODA小目标综述（西工大）

Towards Large-Scale Small Object Detection:Survey and Benchmarks

论文链接：论文链接
主页链接：主页链接

这篇文章需要后续跟踪一下，可能有一些数据集SODA-A和SODA-D等等发布

动机

• 从小物体的有限和扭曲的信息中学习正确特征表示本来就很困难。解决的办法有如下6种：data-manipulation methods, scale-aware methods, feature-fusion methods, super-resolution methods, context-modeling methods, other approaches
• 小目标检测缺乏大规模的数据集。因此提出了两个数据集SODA-A（航拍图片）和 SODA-D（交通图片）

1、小目标检测难点

• 信息丢失。下采样会导致小目标的信息产生大量的丢失。（检测小目标的时候能不能不进行下采样，或者我能够在原图上提取出小目标的区域来减少计算量吗？）
• 噪声特征。小目标的特征很容易被背景、其他物体的特征污染。
• 边界框扰动容限低。（用一种新的IoU评价规则来处理小目标可以吗，不然小目标的mAP和大目标的mAP不公平）

2、小目标检测算法

数据增强（Data-manipulation methods）

• 不同尺度的目标之间的数量差异巨大，一般小目标的数量都比较少，因此一个直观的方法是使用