目标检测中存在的部分难点及相应解决思路

（本文只是笔者看了若干知乎文章与csdn博客后做的一个个人总结，笔者也只是一个刚开始了解深度学习的大一萌新，不要试图对本文抱有任何学术水平的期望

---

小目标检测

定义：

顾名思义，略。

难点：

1. 由本身定义导致的rgb信息过少，因而包含的判别性特征特征过少。

2. 数据集方面的不平衡。这主要针对COCO而言，COCO中只有51.82%的图片包含小物体，存在严重的图像级不平衡。

3. 目标不仅仅是小，而且是难，存在不同程度的遮挡、模糊、不完整现象。COCO中很大一部分小目标标注都是hard case annotation，这也就解释了为什么在41%的标注都是小目标的情况下，小目标的检测性能还是如此差——因为它们中很大一部分标注都是难以被有效利用的。

基本解决思路：

（打括号表示该思路不常用或效果不理想）

1. 叠加正FPN和倒FPN
(2) 使用GAN增强小目标的表达（如生成伪造的高分辨率的图片或特征？）并对其的表达判断ture和fake。
(3) 利用小物体所处的环境信息或者和其它容易检测的物体之间的relationship来辅助小物体的检测，弥补小目标检测中存在的遮挡和阴影。
4. 增加小物体（anchor）的数量：复制粘贴+多角度+多种对比度+…。
(5) 放大小物体。
6. 加强目标特征：提高小物体loss的权重。
7. 数据增强：缩放增强和马赛克增强。

---

样本不均衡

定义：

样本（类别）样本不平衡（cl