小目标检测核心难点：
1、小目标本身携带RGB信息少
2、数据集存在大小目标不均衡的问题
3、anchor难匹配问题：主要是针对anchor-based方法，由于小目标的gt box和anchor都很小，anchor和gt box稍微产生偏移，IoU就变得很低，导致很容易被网络判断为negative sample。对于小目标，IoU对偏移量x极为敏感。
难点1：(池化层存在减少图像信息的弊端，尽可能的让小目标本身信息不减少、或者是增多)
(1) FPN特征金字塔：不同尺度特征回归不同尺度检测框，避免不同尺寸目标互相影响
(2) HRNet：减少小目标本身信息的损失
(3) 结合目标周围信息进行检测。本意是增加小目标的信息，例如：检测人脸，可以借助检测人脸+人体的方法，帮助提高小目标的召回率。
难点2：
(4) 数据增强（yolo系列的数据增强，马赛克等）
数据增强——增加小目标样本数量
- 通过复制-拷贝，将小样本进行跨图像拷贝，增加样本多样性；
- 图像缩放后拼接，将大目标缩小，增加小目标数量；
- GAN生成小目标样本；
(5) focal loss
难点3：
(6) anchor-free策略，比如FCOS
Original: https://blog.csdn.net/qq_28057379/article/details/127122600
Author: 龙南希
Title: 小目标检测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687551/
转载文章受原作者版权保护。转载请注明原作者出处！