小目標難檢測原因
主要原因
（1）小目標在原圖中尺寸比較小，通用目標檢測模型中，一般的基礎骨幹神經網絡（VGG系列和Resnet系列）都有幾次下采樣處理，導致小目標在特徵圖的尺寸基本上只有個位數的像素大小，導致設計的目標檢測分類器對小目標的分類效果差。
（2）小目標在原圖中尺寸比較小，通用目標檢測模型中，一般的基礎骨幹神經網絡（VGG系列和Resnet系列）都有幾次下采樣處理，如果分類和迴歸操作在經過幾層下采樣處理的 特徵層進行，小目標特徵的感受野映射回原圖將可能大於小目標在原圖的尺寸，造成檢測效果差。
其他原因
（1）小目標在原圖中的數量較少，檢測器提取的特徵較少，導致小目標的檢測效果差。
（2）神經網絡在學習中被大目標主導，小目標在整個學習過程被忽視，導致導致小目標的檢測效果差。
Tricks
（1） data-augmentation.簡單粗暴，比如將圖像放大，利用 image pyramid多尺度檢測，最後將檢測結果融合.缺點是操作複雜，計算量大，實際情況中不實用;
（2） 特徵融合方法：FPN這些，多尺度feature map預測，feature stride可以從更小的開始;
（3）合適的訓練方法：CVPR2018的SNIP以及SNIPER;
（4）設置更小更稠密的anchor，設計anchor match strategy等，參考S3FD;
（5）利用GAN將小物體放大再檢測，CVPR2018有這樣的論文;
（6）利用context信息，簡歷object和context的聯繫，比如relation network;
（7）有密集遮擋，如何把location 和Classification 做的更好，參考IoU loss, repulsion loss等.
（8）卷積神經網絡設計時儘量度採用步長爲1，儘可能保留多的目標特徵。
從小目標模型檢測能力方面講，的確是yolov3比ssd更有優勢
1，網絡結構，替換ssd mini 爲ssd 300×300 ，mobilenet-ssd448×448，yolov3 -----以當前的gti的模式來看，工作量比較大。
當前我們能做的是：
2，原圖的總類不夠，，一般來說，要求每類1000張左右，但是我們每類目標包括多個子類，加大了特徵學習難度，每個子類的圖片數量不均衡，，所以增加每類原圖，可以從網上找一些。
3，每類圖小目標標籤和中等目標標籤，大目標標籤數據要均衡，可以適當增加小目標物體標籤數據量。
4，數據增強方面進行更多工作，resize，crop，旋轉，翻轉，圖像亮度，圖像顏色，。