小目标检测的一些总结

提高小目标检测精度的意义

小目标检测具有重要的 研究意义和应用价值。对于机场跑道，路面上会存在微小物体，如螺帽、螺钉、垫圈、钉子和保险丝等， 精准地检测出跑道的这些小异物将避免重大的航空事故和经济损失。对于自动驾驶，从汽车的高分辨 率场景照片中准确地检测出可能引起交通事故的小物体是非常有必要的。对于工业自动化，同样需要小目标检测来定位材料表面可见的小缺陷。对于卫星遥感图像，图像中的目标，例如车、船，可能只有 几十甚至几个像素。精确地检测出卫星遥感图像中的微小目标将有助于政府机构遏制毒品和人口贩 运，寻找非法渔船并执行禁止非法转运货物的规定。综上所述，小目标检测具有广泛的应用价值和重要的研究意义。

小目标定义及难点分析

1. 小目标定义

（1）相对定义
小目标占比原图的0.08% ~ 0.58%之间
（2）绝对定义
COCO数据集：32x32 即为小目标

2. 检测难点

（1）可利用特征少
（2）定位精度要求高
（3）现有数据集中小目标占比少
（4）样本不均衡：人工标框的大小和小目标物体大小差别很大
（5）小目标聚集问题
（6）网络结构问题：目前anchor-based还是关注中大型物体对于小目标物体的检测不太友好，导致小目标物体的loss贡献比较少

小目标检测研究方向

1. 数据增强

（1）复制增强
（2）自适应采样
（3）尺度匹配
（4）缩放与拼接
（5）自学习数据增强（强化学习）

2.多尺度学习

在特征提取层的前提就将特征图提取出来进行检测，以防止小物体消失。

3.上下文学习

真实世界中，“目标与场景”和“目标与目标”之间通常存在一种共存关系，通过利用这种关系将有助于提升小目标的检测性能。
（1）基于隐式上下文特征学习的目标检测
（2）基于显式上下文推理的目标检测

4. GAN

5.Anchor-free

6.其他优化策略

（1）过采样策略
增加小目标对于损失函数的贡献，或者增加小目标的anchor数量
（2）密集anchor box策略
在一个感受野中心设计多个anchor box来提升小目标的recall
（3）尺度补偿anchor匹配策略提高小目标的recall
（4）基于语义特征的引导锚定策略，通过同时预测目标中心可能存在的位置及目标的的尺度和纵横比
（5）优化LOSS设计