对小目标检测展开研究将有助于推动目标检测领域的发展,扩宽目标检测在现实世界 的应用场景,提高中国的科技创新水平和加快中国全面步入智能化时代的步伐。 目标检测作为计算机视觉的基础研究,已有许多优秀的综述发表。
按照改进思路的不同,小目标检测方法可分为基于多尺度预测、基于提高特征分辨率、基于上下文信息、基于数据增强技术、基于新的主干网络和训练策略共5种方法. 多尺度预测指的是在多个不同尺度的特征图上分别对物体的类别和坐标进行预测.
基于上下文学习的方法充分利用了图像中与目标相关的信息,能够有效提升小目标检测的性能。 但是,已有方法没有考虑到场景中的上下文信息可能匮乏的问题,同时没有针对性地利用场景中易于检测的结果来辅助小目标的检测。 鉴于此,未来的研究方向可以从以下两个角度出发考虑:(1)构建基于类别语义池的上下文记忆模型,通过利用历史记忆的上下文来缓解当前图像中上下文信息匮乏的问题;(2)基于图推理的小目标检测,通过图模型和目标检测模型的结合来针对性地提升小目标的检测性能。 生成对抗学习的方法旨在通过将低分辨率小目标的特征映射成与高分辨率目标等价的特征,从而达到与尺寸较大目标同等的检测性能。