计算机视觉之小目标检测的讨论及未来研究趋势

讨论

在前面几篇文章中的几类能有效提高小目标检测精度的方法中，数据增强作为普适性最好的提高小目标检测效果的方法，能够用于不同的场景、不同类型的小目标检测，普适性较好；多尺度融合、锚框设计、IOU 阈值匹配、超参数调优也能够用于不同场景下的小目标检测，但是都存在着一定程度上的可迁移性问题，即在某一场景下设计的多尺度融合策略、锚框、IOU 阈值和超参数组合并不适合迁移用于其他场景；利用 GAN 网络进行小目标检测则比较适用于具备一定的特殊条件的场景，其普适性较低。

未来研究趋势

小目标检测技术虽得到一定的发展但尚未成熟。文中提到的数据增强、多尺度融合等方法能够在一定程度上解决小目标分辨率低、卷积神经网络对小目标的特征提取丢失小目标信息等技术难点。但小目标检
测技术仍面临复杂场景干扰、缺乏数据集支持等挑战。在针对小目标做改进时如何权衡检测速度和准确性也需要进一步考虑，做到具有良好的检测性能的同时降低算法复杂度，提高检测效率；另外，现有的小目标检测技术几乎都是针对特定的场景所设计，如专门针对小人脸识别或者专门针对小交通标志识别，检测技术的可迁移性较差，无法更好的适应小目标检测场景的变化。未来关于小目标检测技术的研究工作中，研究普适性较好的小目标检测技术、构建大规模的小目标数据集将成为研究重点。此外，研究可迁移性较好的多尺度融合网络、锚框、超参数组合等对现有的可以提高小目标检测效果的方法进行进一步的改进也是研究重点之一。