無論是在檢測還是分割演算法中小目標的檢測或分割都是比中等與大目標難的，一般來講在coco檢測資料集上小目標的檢測效能是大目標的一半不到。
那麼什麼樣的目標才能算是小目標呢？下圖是coco**上對於不同大小目標的定義（面積小於32∗32
32*32
32∗3
2的目標）：
小目標檢測困難的原因分析：
在此基礎上結合**augmentation for small object detection與網路上蒐羅的一些資料對小目標檢測的優化做了總結。
既然使用最後乙個stage的特徵去做**很難，那麼可以考慮如下的方式進行優化：
sinet：a scale-insensitive convolutional neural network for fast vehicle detection 認為小目標在pooling之後會導致物體結構失真（也可以換作roialign），於是提出了新的context-aware roi pooling方法，有助於保留有用資訊，下圖是該方法與簡單pooling操作的對比：
用生成對抗網路(gan)來做小目標檢測：perceptual generative adversarial networks for small object detection（好像沒有公開**，效果難說）。
對小目標可以不使用嚴苛的閾值（0.5），可以考慮針對小目標使用cascade rcnn的思想，級聯優化小目標的檢測。
在yolo中按照不同的目標大小給了不同的損失函式加權係數：(2−
w∗h)
∗1.5
(2-w*h)*1.5
(2−w∗h
)∗1.
5。使用這樣的策略其效能提公升了1個點。
增大小目標的gt，從而變相加大目標，增加檢測的能力。
目標檢測中的一些指標 學習筆記
1 參考 用人臉識別做乙個例子，tp true positive，目標區域有人臉，返回目標區域檢測到人臉 fn false negative，目標區域有人臉，返回目標區域沒有檢測到人臉 fp false positive，目標區域沒有人臉，返回目標區域檢測到人臉 tn true negative，目...
目標檢測演算法的一些優化方法 20210219
1.pixels iou piou loss 2.focal loss 3.先做檢測，再做識別 4.增加負樣本 測試影象中被識別錯誤的母豹所在區域。通常對原影象進行裁減，使得裁減下來的影象只包含誤識別的物體，而不包含目標 5.負樣本的標籤檔案 直接對誤檢的影象生成乙個空的xml檔案 檔案中沒有任何物...
js檢測字元的一些總結
function getmosttimes str tmparr.foreach function ele return obj getmosttimes acsas 這裡就是乙個把字串轉為陣列的小技巧，然後foreach遍歷，檢測如果obj中含有該鍵則 1，否則設為1。後來還偶然發現乙個規律，比如...