小目标检测的解决方案,针对小目标检测有哪些方法

小目标检测的解决方案,针对小目标检测有哪些方法

《解决目标检测中的小目标问题》目标检测的前身是滑动窗口+图像分类。如果想要对图像进行稳健的分类，首先特征必须能够覆盖整个图像，并且编码后的前景信息必须比噪声背景信息更明显。 本文详细总结了通用目标检测和专业人脸检测领域的一些常见小目标检测解决方案。有时间我会专门写一下人脸领域（如ROPprofile、RIP360°人脸）和当前学术界的一些难点

这些特征导致小目标需要深层语义信息和浅层表示信息。多尺度学习将两者结合起来，是提高小目标检测性能的有效策略。 本文提出了多尺度特征融合考虑浅层表示信息和基于切片辅助推理和微调的通用解决方案，用于高分辨率图像上的小目标检测，同时保持低复杂度。 和内存要求。 图1显示了Visdrone测试集样本图像的小物体检测方面的改进。

＞﹏＜ 然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。 本文将对这些方法进行分析、整理和总结。 图像金字塔和多尺度滑动窗口检测一开始，在深度学习方法流行之前，图像金字塔和多尺度滑动窗口检测就开始了，在深度学习方法流行之前，对于不同尺度的目标，通常从原始图像开始，使用不同的分辨率构建图像金字塔，然后使用分类器金字塔

(=｀′=) 事实上，仅对于MSCOCO来说，检测小目标的难度主要在于定位。 在严格Io使用分段（指AP75对大分辨率输入图像）时，虽然可以提高小目标的检测性能，但也会使大目标变得过大，难以分类。两者取舍，最终精度提升不明显；多尺度训练（Mutil-Scaletraining），采样图像分辨率很大（1400x）

⊙▂⊙ 现有的流行方法如何解决小目标检测的问题？ 1.由于小目标的面积太小，可以在做检测之前放大图像，即在尺度上做文章，比如FPN(FeaturePyramidNetworksforObjectDetection)，图像缩放是另一种常见的解决方案，也可以用来提高小目标检测的精度。 常见的做法是直接开启"多尺度训练"，并设置比较大的尺寸范围。 但是，增加模型输入大小可能会导致模型计算量增加