初学者之路—————小目标检测

今天跟导师讨论了一下自己的课题，被教育一番之后开始看小目标检测的综述论文。

小目标检测目前面临的问题主要是区域较小、分辨率低、噪声影响大以及边缘位置不利于检测等。因为小目标的像素少，能够提取的特征信息就少，传统中大目标的检测方法难以奏效。深度学习理论和技术的发展，使得小目标检测精度得以提升。基于GAN、上下文信息结合、数据增强、多尺度学习和无锚机制方法等方法，大大提高了小目标检测性能。

对于GAN方法，简而言之，我们可以通过训练对抗生成网络，对于模糊图像，利用生成器生成超分辨率的图像，以便于检测。

上下文信息结合是由于小目标的关联性更强，而且有些情况下，小目标会与一些划分的区域有重叠部分，所以通过考虑目标区域周围或者全局的背景特征更利于检测。

多尺度学习法可以解决小目标检测在深度学习网络层数增加后带来特征信息和位置信息丢失的问题，可以结合小目标的深层语义信息和浅层表征信息。

数据增强指的是通过一系列的数据增强方法对尽可能解决小目标的分辨率低和特征信息少等问题，常用的数据增强方法包括尺度匹配、复制增强和自适应重采样等方法等。

无锚机制是因为一般目标检测需要划分目标区域，但是由于小目标的区域小，对于小目标进行划分区域后很难提高性能。所以通过把锚机制转换成为对关键点的估计，可以有效简化计算和提高性能。

寒假学习第四天，如果有问题，欢迎大家指出。