深度学习的小目标检测算法

首先，在目标检测的发展过程中，小物体的检测精度相较于中大物体要低。无论是相对定义还是绝对定义，归根结底小物体在图像中的像素都很小、分辨率低以及缺少特征信息。小目标检测精度较低的几点原因如下：

（1）缺乏特征信息。由于小物体的像素较少，而在如今深度的神经网络下，会经过几十上百次的卷积池化操作，下采样能够减少计算量、扩大感受野，生成图像对应的缩略图，但会使小目标的信息大量丢失，使得在特征图中小目标的信息越来越少。

（2）神经网络在前向传播中信息丢失。在进行前向传播过程中，特征图的语义信息越来越强，而位置信息逐渐丢失，这使得难以定位目标位置坐标。

（3）数据集中样本数量分布不均。如果在训练集中小目标的数量与大、中目标分布不均会导致网络在学习中对不同大小的目标适应力低，导致检测精度的降低。在COCO 数据集中，同时含有大中小三种尺寸目标的图片占总样本的52.3%，其中大、中目标与小目标的占比分别为70.7%与83.0%，样本的合理分配使得COCO 数据集成为了小目标检测的常用数据集。获得合适的数据集在应用中也是一大难点。

（4）先验框的设置。由于检测物体的大小以及宽高多变，使得设置的先验框难以匹配实际情况。现有的方法通过设置多组先验框或者根据训练数据集计算出锚框，但在检测未经训练的目标时，泛化能力欠佳。

（5）损失函数欠妥。在深度学习模型中，使用损失函数来进行梯度下降从而优化模型参数。选择一个合适的损失函数就显得尤为总要。现有的算法中IoU 作为损失函数中重要的一部分，其决定了在检测中对物体定位的准确度，然而小目标相较于大、中目标而言，IoU 的敏感程度不同。

其次，一些通用小目标检测方法对比如下：

多尺度特征方法

主要内容：融合低层特征图的细节信息与高层特征图的语义信息

优点：高分辨率与高语义信息的融合，减少了信息的丢失

局限性：特征融合结构的复杂性使得计算量上升

SIOU方法

主要内容：将预测框与真实框的角度纳入损失函数

优点：加快网络的收敛速度

局限性：检测效果依赖数据集

NWD方法

主要内容：利用提出的方法来度量预测框与真实框二维高斯分布的相似性

优点：无论目标之间是否重叠均能够度量其相似性，且对尺度不敏感

局限性：计算复杂度提高，网络收敛时间变长

RFLA方法

主要内容：先计算预测框与真实框二维高斯分布的距离，再通过分数排名为小目标分配标签

优点：解决了微小目标标签分配存在的尺度样本不平衡问题

局限性：计算复杂度提高，网络收敛时间变长

Perceptual GAN

主要内容：通过增强小目标的特征，减小大目标与小目标间的特征差异

优点：首次将GAN 用于小目标检测任务，减小了目标间的特征差异

局限性：缺乏直接监督信号。

MTGAN

主要内容：对小且模糊图像进行重建，恢复细节信息

优点：提高了图像的细节信息

局限性：经过了两次特征提取，计算量大

Towards Precise Supervision of Feature Super-Resolution for Small Object Detection

主要内容：通过低分辨率特征生成高分辨率特征

优点：提高了特征图的细节信息以及分辨率

局限性：重建过程耗时长，检测速度慢

QueryDet

主要内容：采用级联稀疏查询机制，根据预估的小目标粗略位置来引导高分辨率特征计算准确结果

优点：保证高分辨率的同时提高了网络检测效率与速度

局限性：会存在小目标无法定位的问题

SAHI

主要内容：通过将图像切块并放大，在每一个块中检测小目标，并与原图中较大目标的检测结果合并为最终结果

优点：将小目标检测问题转为了中大目标的检测，提升了检测精度

局限性：由于在处理一张图片时会额外推理每一个块，导致检测速度下降

其他方法

Augmentation for small object detection

MRAE

特定领域下的小目标检测方法