《工业机器视觉检测123》（1.3）目标检测问题记录

待研究方向。。。。。。

（1）基于MMlab 或者pytorch，跟踪并导入最新模型。

（2）基于最新模型，根据实际应用场景的数据集，进行对比测试，并调优

（3）根据实际应用场景搭建无监督模型。

（4）数据增强和极小目标检测研究。

 检测极小目标检测（ COCO 数据集定义小于 32x32 pix 的为小目标，我们这里把小于10*10pix的  目标定义为极小目标）

  （1）训练和推理时 将大分辨率图切割成小图（例如切割为320*320），模型输入分辨率设置为640*640，甚至更大。

  （2）降低极小目标和大目标的类间不平衡。锚框设计难以获得平衡小目标召回率与计算成本之间的矛盾，而且这种方式导致了小目标的正样本与大目标的正样本极度不均衡，使得模型更加关注于大目标的检测性能，从而忽视了小目标的检测。

  （3）减小数据集里面同一类别里面目标特征的差异，例如将线状特征，点状特征，椭圆状特征的异物都标注为异物，这样是错误的，可以将其分别标注为线状异物，点状异物，椭圆状异物。

         减小数据集里面同一类别里面标注框长宽比及感受野的差异，例如 同样形状的圆形异物，有的标注为长宽比为3：2 ，有的标注为5：2；或者有的紧贴异物标注，有的标注框里一半为背景区域。这样都给训练精度带来挑战。

 以下待尝试。。。

 （4）减小下采样率
比如对于 YOLOv5 的 stride 为 32， 可以调整其 stride 来减小下采样率，从而保留某些比较小的特征。

 （5）SPP 模块
增加感受野，对小目标有效果，SPP size 的设置解决输入 feature map 的size 可能效果更好

欢迎对极小目标检测感兴趣的朋友留言讨论！