转载一篇关于小目标目标检测的综述论文

@小王加油！！！

已于 2024-05-16 16:33:20 修改

阅读量266

点赞数 12

文章标签：目标检测目标跟踪人工智能

于 2024-05-16 15:58:08 首次发布

原文链接：https://blog.csdn.net/qq_44690067/article/details/126058853

版权

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

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）

在这里插入图片描述

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数据增强的方法来增加小目标的数量；
但是这样的方法也有弊端，就是它们的效果取决于数据集，而不具有通用性、迁移性。（能不能和跨域检测牵扯上关系）

基于过采样的增强策略（Oversampling-based augmentation strategy）：例如Mosaic这样的方法、复制一个小物体并将其随机变换粘贴到相同图像的不同位置上
自动增强方案（Automatic augmentation scheme）：将一些数据增强的方法进行组合使用

不同level的特征图负责进行不同尺度的物体的检测

以分而治之的方式进行多尺度检测（Multi-scale detection in a divide-and-conquer fashion）：不同level的特征只负责检测相应尺度的物体
针对小目标检测的定制方法（Tailored training schemes）

不同level的特征图不能同时拥有语义信息和空间信息，因此使用特征融合来让一个特征图同时拥有这两种信息；
问题是，我们不仅要赋予浅层特征更多的语义，而且要防止小物体的原始响应被更深层特征掩盖，这是一个dilemma

自上而下的信息融合（Top-down information interaction）：用自上而下的路径来进行浅层和深层特征的融合（将深层特征图融合到浅层特征图当中去），使高分辨率特征图同时具有丰富的语义特征和小物体的空间特征。
细化的特征融合（Refined feature fusion）：top-down方法一般采用简单的上采样来进行融合，无法处理内在的尺度层面的不一致。因此可以使用例如反卷积等可学习的方法来优化特征融合的过程。

传统方法放大图片使用基于插值的方法，它是一种局部操作，无法捕捉全局信息并且会有马赛克效应，同时它们的外观等信息也会在放大的过程中保持扭曲和模糊，不会得到优化
现在有些方法采用生成对抗网络（GAN）来计算有利于小目标检测的高质量表示，而还有方法则选择参数化上采样操作来放大特征

可学习上采样（Learning-based upscaling）：例如使用反卷积进行上采样
基于GAN的超分辨率框架（GAN-based super-resolution frameworks）：直接对RoI进行超分辨率；但是容易丢失context信息

是不是有助于遮挡目标检测，例如x-ray，小目标检测和遮挡目标检测进行融合？

当前的上下文建模机制以启发式和经验的方式确定上下文区域，这不能保证构建的表示具有足够的可解释性以进行检测（能不能把context-modeling变成一个可以学习的过程）

基于注意力的方法（Attention-based methods）：需要看一下相关的论文
本地化驱动的优化（Localization-driven optimization）：检测器回归分支的目标是IoU，但是对于小目标来说，IoU并不是一个很好的方法
密度分析引导的检测（Density analysis guided detection）：小目标一般在图片中的位置比较多且分散，我们可以抽离出包含目标的区域然后再进行检测。
其他方法（Other issues）