【2022 小目标检测综述】Towards Large-Scale Small Object Detection: Survey and Benchmarks

论文简介：

随着深度卷积神经网络的兴起，目标检测取得了显著的进展。然而小物体检测（SOD）的性能仍不令人满意，因此这是计算机视觉中具有挑战性的任务之一，因为小目标的内在结构造成的视觉外观和嘈杂的表征。

此外，用于基准测试小对象检测方法的大规模数据集仍然是一个瓶颈。在本文中，作者首先对小物体检测算法进行了彻底的回顾。然后，为了促进SOD的发展，作者构建了两个大规模的小物体数据集SODA-D和SODA-A，分别关注于驾驶和空中场景。

其中SODA-D包括24704张高质量的交通图像和9个类别的277596个实例。对于SODA-A，作者收集了2510张高分辨率航空图像，并超过9类注释了80020个3个实例。所提出的数据集是第一次尝试使用为多类别SOD定制的大量详尽注释的实例来进行大规模基准测试。

最后作者评估了主流方法在SODA上的性能。

论文动机：

虽然在通用目标检测方面取得了实质性的进展，但SOD的研究进展相对较缓慢。更具体地说，即使是领先的探测器，在检测小型和正常大小的物体方面仍然存在巨大的性能差距。

以最先进的检测器之一DyHead为例，DyHead在COCO测试集上获得的小物体的平均平均精度（mAP）度量仅为28.3%，明显落后于中大尺寸的物体（分别为50.3%和57.5%）。

作者假设这种性能下降源于以下两个方面：

• 从有限和扭曲的小对象信息中