小目标检测方法介绍

目标检测发展很快，但对于小目标 的检测还是有一定的瓶颈，特别是大分辨率图像小目标检测 。比如79202160，甚至1600016000的图像，还有一些遥感图像 。

图像的分辨率很大，但又有很多小的目标需要检测。但是如果直接输入检测网络，比如yolo，检出效果并不好。

主要原因

（1）小目标尺寸

以网络的输入608x608为例，yolov3、yolov4，yolov5中下采样都使用了5次，因此最后的特征图大小是19x19，38x38，76x76。

三个特征图中，最大的76x76负责检测小目标，而对应到608x608上，每格特征图的感受野是608/76=8x8大小。

再将608x608对应到7680x2160上，以最长边7680为例，7680/608x8=101。

即如果原始图像中目标的宽或高小于101像素，网络很难学习到目标的特征信息。

（2）高分辨率

而在很多遥感图像中，长宽比的分辨率比76802160更大，比如上面的1600016000，如果采用直接输入原图的方式，很多小目标都无法检测出。

（4）显卡爆炸

很多图像分辨率很大，如果简单的进行下采样，下采样的倍数太大，容易丢失数据信息。

但是倍数太小，网络前向传播需要在内存中保存大量的特征图，极大耗尽GPU资源,很容易发生显存爆炸，无法正常的训练及推理。

解决办法

可以借鉴2018年YOLT算法的方式，改变一下思维，对大分辨率图片先进行分割，变成一张张小图，再进行检测。

需要注意的是：

为了避免两张小图之间，一些目标正好被分割截断，所以两个小图之间设置overlap重叠区域，比如分割的小图是960960像素大小，则overlap可以设置为96020%=192像素。

每个小图检测完成后，再将所有的框放到大图上，对大图整体做一次nms操作，将重叠区域的很多重复框去除。

这是一个关于高分辨率图片目标检测的baseline视频介绍10亿像素目标检测方法介绍

该方法是十分有效的，比如下图是将原始大图->416*416 大小，直接使用目标检测网络输出的效果：

可以看到中间黄色框区域 ，很多汽车检测漏掉。

再使用分割的方式，将大图先分割成小图，再对每个小图检测 ，可以看出中间区域很多的汽车都被检测出来：

优点：

（1）准确性

分割后的小图，再输入目标检测网络中，对于最小目标像素的下限会大大降低。

比如分割成608608大小，送入输入图像大小608608的网络中，按照上面的计算方式，原始图片上，长宽大于8个像素的小目标都可以学习到特征。

（2）检测方式

在大分辨率图像，比如遥感图像，或者无人机图像，如果无需考虑实时性的检测，且对小目标检测也有需求的项目，可以尝试此种方式。

缺点：

增加计算量

比如原本7680x2160的图像，如果使用直接大图检测的方式，一次即可检测完。但采用分割的方式，切分成N张608x608大小的图像，再进行N次检测，会大大增加检测时间。借鉴Yolov5的四种网络方式，我们可以采用尽量轻的网络，比如Yolov5s网络结构或者更轻的网络。

当然Yolov4和Yolov5的网络各有优势，我们也可以借鉴Yolov5的设计方式，对Yolov4进行轻量化改造，或者进行剪枝。