目錄
一、小物體檢測
1、降采樣率減小 +空洞卷積
2、anchor設計
1）統計方法
2）anchor邊框聚類
3、多尺度訓練（multi scale training——MST）
4、 特征融合
一、小物體檢測
????????在分類任務中，一般物體的大小都差不多，這也使得單純的分類任務不需要考慮物體的大小等因素，但是在目標檢測中，因為在同一個圖像中，可能會出現多個目標，有的目標像素占比大，有的目標像素占比小，比如遠處的人高度只有30個像素，近處的人卻有幾百個像素，這導致在深度學習的前向傳播過程中，由于下降樣的因素，會導致小目標在降采樣的過程中直接丟失。
??????? 一般解決的方法有以下幾種：降采樣率減小、anchor設計、多尺寸訓練、特征融合、尺度歸一化（SNIP）
1、降采樣率減小 +空洞卷積
?????? 將采樣率下降的話就可以使得更小的物體能夠保留下來，而不至于在下采樣后一個像素點都不保留，但是減小下采樣率會導致模型的感受野減小，這樣對于模型是不利的，因此為了平衡二者之間的關系，一般我們可以使用空洞卷積來維持感受野的大小。
2、anchor設計
1）統計方法
????????設計多組anchor，然后將每一組anchor和真實框進行對比，以IOU和正樣本數作為指標。取一組性能指標指示最好的anchor作為訓練的anchor。
????????同一類物體雖然在單一尺寸上有很大的區別，但是在寬高比例上可能差別不大。
2）anchor邊框聚類
????????利用k-means等聚類算法對訓練集的真實框的長寬進行聚類，得到k個中心，將這些中心的值作為anchor生成的比例。具體可以參考yolov3模型。
3、多尺度訓練（multi scale training——MST）
??????? 訓練的時候將圖像縮放成指定的尺度，然后進行訓練。為了實現多尺度，先設置多組不同的尺度，然后每次迭代訓練的時候都是先隨機選取一個尺度，然后將輸入圖像縮放到這個尺度后再進行訓練，雖然在同一次的迭代時，尺度是一樣的，但是不同的迭代會有不一樣的尺度，這樣得到的模型就會有較高的魯棒性。
??????? 測試的時候則將圖像放大4倍或者其他倍數后，再進行檢測，這樣有利于小物體的檢測。
4、 特征融合
??????? 一個圖像在深度學習模型前向傳播的過程中，圖像會逐漸減小，導致圖像的細節丟失，語義信息增加。即淺層的圖像細節多，深層的圖像語義信息多，因此可以將深層的上采樣回來和淺層的進行融合。常見的有FPN、DetNet、彩虹融合、dssd等等
?5、
?
：)
)
)
)
