小目标检测的总结——《Object Detection in 20 Years: A Survey》

Paper链接：http://arxiv.org/abs/1905.05055?context=cs

最近在研究小目标检测，刚好看到这篇刚出的综述，也许里面有想要的小目标检测的结果，就去读了一下，内容很多，我只读了于小目标检测的部分，总结如下。

1、SSD为代表的多尺度检测提高了小目标的检测效果。

2、建立更加完善的特征融合金字塔（FPN）来提高对小目标的检测。

3、近年来，级联检测也被应用到基于深度学习的检测器中，特别是对于大场景中小目标的检测任务，如人脸检测、行人检测等。除了算法加速外，级联检测还被应用于解决其他问题，如提高对难检测物体的检测，整合上下文信息，提高定位精度。

4、element-wise产生的一个优点是，它可以用来抑制或突出某个区域内的特征，这可能进一步有利于小对象检测[245,250,251]。

5、element-wise operation主要有三种操作，如下图：
（1）相加 （2）相乘 （3）拼接

6、特征分辨率越低，就越难检测小对象。提高特征分辨率最直接的方法是去除池化层或降低卷积下采样率。但是这会带来一个新的问题，即由于输出步长减小，接收域会变得太小。换句话说，这将缩小探测器的感受野，并可能导致一些大型目标的漏检。一种同时提高感受野和特征分辨率的方法是引入膨胀卷积(又称无孔卷积，或带孔卷积)。扩展卷积最初是在语义分割任务中提出的[252,253]。膨胀卷积目前已广泛应用于目标检测中[21,56,254,255]，在不需要任何额外参数和计算代价的情况下，被证明是提高精度的有效方法。

7、尺度自适应检测（Scale adaptive detection）。为了提高对小目标的检测，近年来的一些检测器提出了一些自适应放大技术，自适应地将小目标放大为“大目标”[184,258]。最近的另一项改进是学习预测图像中对象的尺度分布，然后根据分布自适应地重新缩放图像[282,283]。

8、对抗生成网络（GAN）被用来通过缩小小目标和大目标之间的表征来增强对小目标的检测[290,291]。

9、注意力机制和特征融合策略也能被用来改进小目标检测[410,411]。

10、作者认为小目标的方向可能包括视觉注意力机制的集成和高分辨率轻量级网络的设计。