その理由を検出するために、小さなターゲット難しいです
主な理由
（1）対象画像の小さなサイズが比較的小さい、共通オブジェクトモデルの検出は、ニューラルネットワークバックボーン（VGGシリーズ及びシリーズResnet）のための一般的な根拠は、図の実質的特性だけ小さい目標サイズをもたらす、いくつかのダウンサンプリング処理を有しています。ピクセルサイズの単一の数字は、小さなゴール差の影響を分類するオブジェクト検出分類器の設計につながりました。
（2）元のグラフサイズの小さな対象が比較的小さい、共通の目標検出モデルで分類および回帰のサンプリング後、いくつかの層の下で動作する場合、一般的な基底ニューラルネットワークバックボーン（VGGシリーズとResnetシリーズ）は、いくつかのダウンサンプリング処理を有しています層の処理が行われており、小さな受容野は、元のターゲットにマップされた対象地物が悪く検出で得られた、原画像の小さなサイズよりも大きくてもよいです。
その他の理由
以下（1）原画像におけるターゲットの数が少ない小さな目標差動検出効果が得られ、より少ない検出器特徴抽出です。
（2）ニューラルネットワークは、学習目標にリードされて、小さな目標は、小さな効果の得失点差の検出結果につながる、全体の学習プロセスでは無視されます。
トリック
（1）このような画像増幅、検出、マルチスケール画像ピラミッドを使用するなど、単純な、粗データ増強は、最終的な欠点は;融合複合操作、大きな計算の検出結果が、実際の状況は実際的ではないということです
（2）方法であって、前記融合：FPNこれら、マルチスケール特徴マップが予測、特徴ストライド未満開始から。
（3）適切なトレーニング方法：CVPR2018とSNIP SNIPER。
（4）等より小さいより高密度のアンカー、アンカー一致戦略設計を設定するために、参照S3FD。
（5）再度検出増幅小さなオブジェクトGAN、CVPR2018そのような紙を使用して、
（6）接触コンテキスト情報、コンテキストオブジェクトと再開、そのような関係のネットワークを使用して、
（7）密なカバーと、どのように、より良い位置と分類を行うIOU損失を参照するために、反発損失など。
（8）可能な限り多くのターゲット保持特性として、1の工程において使用畳み込みニューラルネットワークの設計。