>>>深度学习Tricks，第一时间送达<<<
目录
小目标检测一直以来是计算机视觉领域中的一个难点和研究热点。本期小海带主要对小目标检测的定义与难点进行全面总结， 有需要的小伙伴赶快点赞+收藏起来喔！！！👍👍👍
一、引言
近年来，深度学习技术的快速发展为小目标检测注入了新鲜血液，使其成为研究热点。早期的目标检测框架大多数是针对通用的目标来进行检测，如经典的单阶段方法YOLO和SSD，两阶段方法Faster R-CNN等，这些方法主要是针对通用目标数据集来设计的解决方案，因此对于图像中的小目标来说，检测效果不是很理想。
相对于常规尺寸的目标，小目标通常缺乏充足的外观信息，因此难以将它们与背景或相似的目标区分开来。在深度学习的驱动下，尽管目标检测算法已取得了重大突破，但是对于小目标的检测仍然是不尽人意的。小目标和大目标在检测性能上存在显著差距，小目标的检测性能通常只有大目标的一半。 由此可见，小目标检测仍然是充满挑战的。另外，真实场景是错综复杂的，通常会存在光照剧烈变化、目标遮挡、目标稠密相连和目标尺度变化等问题，而这些因素对小目标特征的影响是更加剧烈的，进一步加大了小目标检测的难度。
二、小目标检测定义
不同场景对于小目标的定义各不相同，目前尚未形成统一的标准。现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。
（一）基于相对尺度定义
即从目标与图像的相对比例这一角度考虑来对小目标进行定义。即边界框面积与图像面积之比的中位数在 0.08%~0.58%之间。较为常见的小目标定义还有以下几种：
1.目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；
2.目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
3.根据目标实际覆盖像素与图像总像素之间比例来对小目标进行定义。
但是，这些基于相对尺度的定义存在诸多问题，如这种定义方式难以有效评估模型对不同尺度目标的检测性能。此外，这种定义方式易受到数据预处理与模型结构的影响。
（二）基于绝对尺度定义
则从目标绝对像素大小这一角度考虑来对小目标进行定义。目前最为通用的定义来自于目标检测领域的通用数据集—— MS COCO数据集，将小目标定义为分辨率小于 32像素×32像素的目标。
对于为什么是32像素×32像素，本文从两个方向进行了思考。一种思路来自于Torralba等的研究，人类在图像上对于场景能有效识别需要的彩色图像像素大小为32像素×32像素，即小于32像素×32像素的目标人类都难以识别。另一种思路来源于深度学习中卷积神经网络本身的结构，以与MS COCO数据集第一部分同年发布的经典网络结构VGG‑Net为例，从输入图像到全连接层的特征向量经过了5个最大池化层，这导致最终特征向量上的”一点”对应到输入图像上的像素大小为32像素×32像素。于是，从特征提取的难度不同这一角度考虑，可以将 32像素×32像素作为区分小目标与常规目标的一个界定标准。
除了MS COCO之外，还有其他基于绝对尺度的定义，如在航空图像数据集DOTA与人脸检测数据集WIDER FACE中都将像素值范围在 [10, 50]之间的目标定义为小目标。在行人识别数据集CityPersons中，针对行人这一具有特殊比例的目标，将小目标定义为了高度 小于75像素的目标。基于航空图像的小行人数据集TinyPerson则将小目标定义为像素值范围在 [20, 32] 之间的目标，而且近一步将像素值范围在 [2, 20]之间的目标定义为微小目标。
🚀🏆🍀【算法创新&算法训练&论文投稿】相关链接👇👇👇
✨ 【YOLO创新算法尝新系列】 ✨
————————————🌴【重磅干货来袭】🎄————————————
🚀 一、主干网络改进（持续更新中）🎄🎈
🌴 持续更新中……
🚀 二、轻量化网络（持续更新中）🎄🎈
🌴 持续更新中……
🚀 三、注意力机制（持续更新中）🎄🎈
🌴 持续更新中……
🚀 四、检测头部改进（持续更新中）🎄🎈
🌴 持续更新中……
🚀 五、空间金字塔池化（持续更新中）🎄🎈
🌴 持续更新中……
🚀 六、损失函数及NMS改进（持续更新中）🎄🎈
🌴 持续更新中……
🚀七 、其他创新改进项目（持续更新中）🎄🎈
🌴 持续更新中……
🚀八 、算法训练相关项目（持续更新中）🎄🎈
🌴 持续更新中……
🚀九 、数据资源相关项目（持续更新中）🎄🎈
🌴 持续更新中……
🚀十 、论文投稿相关项目（持续更新中）🎄🎈
🌴 持续更新中……
关于YOLO算法改进及论文投稿 可关注并留言博主的CSDN/QQ
>>>一起交流！互相学习！共同进步！ <<<
Original: https://blog.csdn.net/m0_53578855/article/details/127799892
Author: 加勒比海带66
Title: 目标检测算法——收藏|小目标检测的定义（一）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/658512/
转载文章受原作者版权保护。转载请注明原作者出处！