1、小目标
①像素点小于32*32的物体
②目标尺寸为原图的0.1
2、小目标检测面临的困难
①底层特征缺乏语义信息.
在现有的目标检 测模型中,一般使用主干网络的底层特征检测小目 标,但底层特征缺乏语义信息,给小目标的检测带来 了一定的困难.
②小目标的训练样本数据量较少.
③检测模型使用的主干网络与检测任务的差异
3、基于多尺度预测(YOLO、Faster R-CNN、SSD)
多尺度预测指的是在多个不同尺度的特征图上分别对物体的类别和坐标进行预测
①基于图像金字塔的多尺度目标检测
(方法有利于小目标检测、实时性差)--改进实时性
该方法首先将图像缩放到不同分辨率,通过在不同分辨率的图像 上分别提取特征来形成多尺度的表达,然后在每个 分辨率图像上分别利用基于滑动窗口的方法进行目 标 检 测,以 求 在 金 字 塔 底 部 检 测 出小目标
②DSSD算法
CNN方法的SSD小目标检测方法效果不理想,原因可能在于SSD中检测小目标的特征层语义不够丰富,从而对SSD进行了改进
③特征金字塔算法(FPN算法)
FPN 充分融合了高层特征和底层特征,使得用 于检测的每一层特征都具有丰富的语义信息,利于 小目标的检测
④PANet算法
对FPN进行了改进
⑤ASFF算法
一种自适应的空间特征融合方法
⑥Libra R-CNN算法
⑦AugFPN算法
FPN 主要存在以下 3 个缺点:
1) 特征融合前没有考 虑不同层次的特征之间的语义差异;
对每一层的特征都 添加了相同的监督信息,减少了它们之间的语义差 异
2) 在自上而下 的特征融合过程中,高层特征存在丢失;
采用了 残差结构将其他层的特征加入到最高层特征中,增 强它的上下文信息
3) 每层的 ROI 没有结合其他层次的有用信息.
⑧SNIP算法
⑨SNIPER算法
对SNIP进行改进
⑩tridentNet算法
通过融合 3 个卷积层的优势来提高检测 算法的性能.
4、基于提高特征分辨率的小目标检测方法
通过增大高层特征图的分辨率或通过生成对抗网络( generative adversarial network,GAN) 的方式将小目标的特征表达转化为 和大、中目标一样或近似的特征表达来提高小目标 的检测精度.
①STDN算法
对小目标进行放大再检测
②PGAN算法
用GAN网络将小目标的特征表达转化为和大目标一样 的超分辨特征表达,从而达到提升小目标检测性能 的目的
5、基于上下文信息的小目标检测方法
挖掘并利用物体与物体之间的关系即上 下文信息将有利于小目标检测
6、基于数据增强技术的小目标检测方法
数据增强指的是通过重采样、旋转、平移等方式 增加训练样本的数量供神经网络学习
7、基于新的主干网络和训练策略的小目标检测 方法
8、方法对比