小目标难检测原因

主要原因

（1）小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理，导致小目标在特征图的尺寸基本上只有个位数的像素大小，导致设计的目标检测分类器对小目标的分类效果差。

（2）小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理，如果分类和回归操作在经过几层下采样处理的 特征层进行，小目标特征的感受野映射回原图将可能大于小目标在原图的尺寸，造成检测效果差。

其他原因

（1）小目标在原图中的数量较少，检测器提取的特征较少，导致小目标的检测效果差。

（2）神经网络在学习中被大目标主导，小目标在整个学习过程被忽视，导致导致小目标的检测效果差。

Tricks

（1） data-augmentation.简单粗暴，比如将图像放大，利用 image pyramid多尺度检测，最后将检测结果融合.缺点是操作复杂，计算量大，实际情况中不实用; （2） 特征融合方法：FPN这些，多尺度feature map预测，feature stride可以从更小的开始; （3）合适的训练方法：CVPR2018的SNIP以及SNIPER; （4）设置更小更稠密的anchor，设计anchor match strategy等，参考S3FD; （5）利用GAN将小物体放大再检测，CVPR2018有这样的论文; （6）利用context信息，简历object和context的联系，比如relation network; （7）有密集遮挡，如何把location 和Classification 做的更好，参考IoU loss, repulsion loss等. （8）卷积神经网络设计时尽量度采用步长为1，尽可能保留多的目标特征。

从小目标模型检测能力方面讲，的确是yolov3比ssd更有优势

1，网络结构，替换ssd mini 为ssd 300×300 ，mobilenet-ssd448×448，yolov3 -----以当前的gti的模式来看，工作量比较大。

当前我们能做的是：

2，原图的总类不够，，一般来说，要求每类1000张左右，但是我们每类目标包括多个子类，加大了特征学习难度，每个子类的图片数量不均衡，，所以增加每类原图，可以从网上找一些。

3，每类图小目标标签和中等目标标签，大目标标签数据要均衡，可以适当增加小目标物体标签数据量。

4，数据增强方面进行更多工作，resize，crop，旋转，翻转，图像亮度，图像颜色，。