目標檢測——深度學習下的小目標檢測（檢測難的緣由和Tricks）

小目標難檢測緣由

主要緣由

（1）小目標在原圖中尺寸比較小，通用目標檢測模型中，通常的基礎骨幹神經網絡（VGG系列和Resnet系列）都有幾回下采樣處理，致使小目標在特徵圖的尺寸基本上只有個位數的像素大小，致使設計的目標檢測分類器對小目標的分類效果差。

（2）小目標在原圖中尺寸比較小，通用目標檢測模型中，通常的基礎骨幹神經網絡（VGG系列和Resnet系列）都有幾回下采樣處理，若是分類和迴歸操做在通過幾層下采樣處理的 特徵層進行，小目標特徵的感覺野映射回原圖將可能大於小目標在原圖的尺寸，形成檢測效果差。

其餘緣由

（1）小目標在原圖中的數量較少，檢測器提取的特徵較少，致使小目標的檢測效果差。

（2）神經網絡在學習中被大目標主導，小目標在整個學習過程被忽視，致使致使小目標的檢測效果差。

Tricks

（1） data-augmentation.簡單粗暴，好比將圖像放大，利用 image pyramid多尺度檢測，最後將檢測結果融合.缺點是操做複雜，計算量大，實際狀況中不實用;

（2） 特徵融合方法：FPN這些，多尺度feature map預測，feature stride能夠從更小的開始;

（3）合適的訓練方法：CVPR2018的SNIP以及SNIPER;

（4）設置更小更稠密的anchor，設計anchor match strategy等，參考S3FD;

（5）利用GAN將小物體放大再檢測，CVPR2018有這樣的論文;

（6）利用context信息，簡歷object和context的聯繫，好比relation network;

（7）有密集遮擋，如何把location 和Classification 作的更好，參考IoU loss, repulsion loss等.

（8）卷積神經網絡設計時儘可能度採用步長爲1，儘量保留多的目標特徵。