1. 小目標的特性

• 目標之間的交疊概率比較低，即使有交疊，其IoU多數情況下也是比較小的
  

AI-TOD

Tiny Person Dateset

• 小目標自身的紋理顯著度有強弱區別，但是總體來說紋理特征都較弱，很多時候需要借助一定的圖像上下文來幫助確認
  

隨著上下文信息增加，可以逐步判斷為人臉

2.小目標分類

3.從感受野切入，思考小目標檢測backbone設計

基本認識：在不考慮寬度的情況下，網絡深度越深，通常來說更有利于特征學習

一個不嚴謹的共識：在達到相同大小感受野的情況下，網絡越深越好

二次加工以后的共識：在確保網絡結構在各種資源消耗可行的前提下，達到相同大小感受野的情況下，網絡越深越好

關注步長為2的卷積所在位置，它控制了達到某個大小感受野的網絡深度

如果有多個步長為2的卷積，那么它越多，網絡越淺
如果只有一個步長為2的卷積，那么它越靠前，網絡越淺

面向小目標檢測的backbone設計原則：

• 使用步長為2的卷積替代pooling操作進行下采樣
• 避免使用步長超過2的卷積，比如步長為4的卷積
• 在兩個步長為2的卷積之間，需要加入若干步長為1的卷積，這里可以是3x3的卷積也可以是1x1的卷積
• 達到預期感受野大小的前提下，盡可能讓網絡更深，但是要把握好各項資源消耗和精度的平衡，要具備可行性