目标检测之小目标检测

一、小目标的定义

1. 在COCO定义中，像素面积小于32*32 pixels的物体
2. 目标边界框的宽高与原图的宽高的比例小于设定比例（通用值为0.1）
3. 目标边界框的面积与原图的面积的比例的开方小于设定比例（通用值为0.03）

二、小目标检测的难点

1. 小目标的分辨率低，包含的判别性特征信息过少且易被环境因素干扰
2. （COCO）数据不平衡，小目标数据通常较少
3. 由于小目标的尺寸较小，预测边界框偏移一个像素点都会造成很大的IOU误差，模型可能把本该为正样本的anchor判为负样本，使得训练时小目标的匹配的正样本数量低于其他目标的正样本数量，最终导致模型更侧重于其他目标的检测
4. 小目标通常存在不同程度的遮挡、模糊、不完整现象

三、解决方法

数据增强

1. 复制增强：多次使用同一张图片或通过在图像上多次复制粘贴小目标的方式来增加小目标的训练样本数量
2. mosaic增强：将不同的图片都进行缩放后，再将这些图片拼接起来，相当于增加了小目标的数量

anchor相关

1. 利用如yolov5（基于anchor-based）中的anchor聚类方法，生成适用于数据集的anchor大小
2. 使用基于anchor-free的方法

正负样本匹配机制

1. 降低小目标正样本的IoU阈值，让更多anchor被分为正样本
2. 将匹配依据由IOU改成GIOU、DIOU、CIOU等

网络结构

1. 特征金字塔（FPN）：融合low-level的空间信息和high-level的语义信息来加强目标特征
2. 空洞卷积：小目标需要较小的感受野，大目标需要较大的感受野，利用不同空洞率的卷积，构成具有不同感受野的多个branch，分别检测不同尺度的目标
3. 减小模型的下采样率，从而保留某些比较小的特征

损失函数

1. Focal Loss
2. GHMC Loss

【参考文章】

小目标检测_WAChiZhou的博客-CSDN博客

目标检测算法——小目标检测_TigerZ*的博客-CSDN博客

目标检测之殇——小目标检测 - 知乎