小目標在原圖中尺寸比較小，通用目標檢測模型中，一般的基礎骨幹神經網路（vgg系列和resnet系列）都有幾次下取樣處理，導致小目標在特徵圖的尺寸基本上只有個位數的畫素大小，導致設計的目標檢測分類器對小目標的分類效果差。
（1） data-augmentation.簡單粗暴，比如將影象放大，利用 image pyramid多尺度檢測，最後將檢測結果融合.缺點是操作複雜，計算量大，實際情況中不實用;
（2） 特徵融合方法：fpn這些，多尺度feature map**，feature stride可以從更小的開始;
（3）合適的訓練方法：cvpr2018的snip以及sniper;
（4）設定更小更稠密的anchor，設計anchor match strategy等，參考s3fd;
（5）利用gan將小物體放大再檢測，cvpr2018有這樣的**;
（6）利用context資訊，簡歷object和context的聯絡，比如relation network;
（7）有密集遮擋，如何把location 和classification 做的更好，參考iou loss, repulsion loss等.
（8）卷積神經網路設計時盡量度採用步長為1，盡可能保留多的目標特徵。
以上部分內容摘自這裡
小目標檢測的解決辦法
在深度學習目標檢測中，由於小目標解析度低，模糊，資訊少，雜訊多所以是乙個實際且常見的困難問題 解決方法 使用不同解析度的影象金字塔，再對每層金字塔用固定輸入解析度的分類器在該層滑動來檢測目標，以求在金字塔底部檢測出小目標 或者只用乙個原圖，在原圖上，用不同解析度的分類器來檢測目標，以求在比較小的視窗...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標檢測入門 目標檢測基本概念
目標檢測關注影象中特定的物體目標，要求同時獲得這一目標的類別資訊和位置資訊。檢測給出的是對前景和背景的理解，需要從背景中分離出感興趣的目標，並確定這一目標的描述 類別和位置，常用檢測框表示 與影象分類的區別，目標檢測更具難度 影象分類只需要判斷輸入的影象中是否包含感興趣物體，而不需要定位具體位置 如...