小目标检测会议论文

化学论文格式及要求7.在关键词的下一行,标著本文的中图分类号。请用《中国图书馆分类法》第4版中的分类号。(可上网查询) 8.请写作者简介,包括:作者姓名(出生年-)、性别、民族(汉族可省略)、籍贯(省、县)、职称、学位、研究方向。(可写在论文首页地脚处或文末) 9. 特别注意:外文字母的正斜体、黑白体、大小写和上下角标的表示。 ① 外文正体的常用场合: a.计量单位的符号和SI词头符号。如：牛顿N、安培A、毫安mA等; b.数学式中的运算符号和编写号，如：微分号d，极限lim，行列式det，极大值max,极小值min, 对数号ln, 三角函数号sin, cos,等。又如：其它运算符号∑，∏，∪，∩，∈ 等; c.其值不变的数学常数符号,如圆角率π，自然对数的底e，虚数单位i(电工中常用j); d.仪器、元件、样品等的型号、代号; e.生物学中表示拉丁文学名的定名人和亚族以上(含亚族)的拉丁文学名; f.下角标如为说明性符号; g.化学元素、粒子、射线符号，如：H(氢)、Cu(铜)、e(电子)、α射线等。 ② 外文斜体的常用场合： a.用字母代表的数、一般函数式以及统计学符号等，如x，f(x)=4x-5; b.量符号、量符号中代表量或变动性数字、坐标符号的角标字。如力F、电流I、力的分量Fx等; c.文中及公式中的矩阵和矢量，其符号字母用“黑斜体”表示; d.下角标如为变量则用斜体; e.化学物的旋光性、分子构型和取代基位置等符号用斜体，d- (右旋)、L-(左型)、Z-(顺式)、p-(对位)等 ③ 正确使用有关符号： a.有关符号的使用应符合国家标准，例如：sin-1应为arcsin, ctg应为cot, tg应为tan等; b.停止使用废弃的符号，如 ∵ , ∴ , ppm等; c.除Re, Ma(其中e, a不是下标)等几个特征数外，变量应使用单个字母表示(或带下标的单字母，否则由多个字母表示单个变量，易被误解为多个变量相乘)。 10. 图、表描述应标准化。 ①所有的插图均需标注中英文图序和图题。对于函数曲线图，请注意检查横纵坐标的变量符号、单位、刻度值是否完整(对于无量纲或无单位的，请注明“无单位”)。特别注意说明坐标轴物理意义的标目,要求由物理量的名称或符号和相应的单位组成。物理量的符号用斜体字母标注，尽量避免使用中、外文的文字段 (或缩写字母) 来代替符号。单位符号应该使用正体字母标注。量与单位之间用斜线“/’’隔开，如I/A，p/Pa，V/ms-1,等。标目应该与被标注的坐标轴平行，居中放置在坐标轴与标值的外侧。 ②所有的表均需标注中英文表序和表题，表中的各栏均应标明“量和测试项目、标准规定的符号及单位”。尽量用三线表。 ③图、表的宽度尽可能小于8cm，以满足分栏排版的要求。图、表若通栏排版，其宽度要小于16 cm。 11.参考文献代表论文的起点和层次，请严格参照以下格式将所有项目著录完全，并按其在正文中被引用的顺序排列，且在正文中标注出各自的引证地。各类文献的著录格式(含标点)为： ①期刊论文——[序号]作者. 题名[J]. 刊名，出版年，卷(期)号：引文起止页码. 示例: [1]叶晓东，朱兆达. 一种分块处理斜视SAR成像方法[J]. 现代雷达，1997，19(5)： 23-29. [2]Moustafa G H. Interaction of axisymmetric supersonic twin jets[J]. AIAA J, 1995,3(5): 871-875. ②专著——[序号]著者.书名[M].版次.出版地：出版者，出版年.引文起止页码. 示例： [1]刘谋 佶 , 吕志咏, 丘成昊, 等. 边条翼与旋涡分离流[M]. 北京: 北京航空学院出版社, 1988. 24-27. [2]Isidori A. Nonlinear control systems[M]. New York: Springer Press,1989:32-33. ③文集中析出文献——[序号]作者.题名[A]. 文集编者. 文集名[C].出版地：出版者，出版年.引文起止页码. 示例： [1]陈永康，李素循，李玉林. 高超声速流绕双椭球的实验研究[A]. 北京空气动力研究所. 第九届高超声速气动力会议论文集[C]. 北京：北京空气动力研究所，1997:9-14. [2]Peng Jin, Luo Xiang Zeng, Jin Cong Jing. The study about the dynamics of the approach glide-down path control of the carrier aircraft[A]. Gong Yaonan . Proceedings of the Second Asian-Pacific Conference on Aerospace Technology and Science[C]. Beijing: Chinese Society of Aeronautics and Astronautics, 1997. 236-241. ④会议论文——[序号]作者.题名[A]. 文集编者(主办单位).文集名[C]，会议名称，会议地点，会议日期.出版地：出版者，出版年. 引文起止页码. 示例： [1]辛希孟. 基于局部 熵 的红外图像小目标检测[A].信息技术研究所.信息技术与信息服务国际研讨会论文集：A集[C].北京：中国社会科学出版社，. ⑤ 学位论文——[序号]作者. 题名[D]. 出版地：出版者，出版年. 示例： [1]朱刚. 新型流体有限元法及叶轮机械正反混合问题[D]. 北京：清华大学，1996. [2]Sun Ming. A study of helicopter rotor aerodynamics in ground effect[D]. Princeton: Princeton Univ, 1983. ⑥科技报告——[序号]作者.题名[R].报告名称及编号，出版地：出版者，出版年.示例： [1]孔祥福. FD-09风洞带地面板条件下的流场校测报告[R]. 北京空气动力研究所技术报告 BG7-270，北京：北京空气动力研究所，1989. [2]Carl E J. Analysis of fatigue, fatigue-crack propagation and fracture data[R]. NASA CR-132332, 1973. ⑦专利——[序号]专利权人.专利题名[P].专利国别:专利号,公告或公开日期. 示例： [1]黎志华，黎志军. 反馈声抵消器[P].中国专利:85100748, 1986-09-24. ⑧标准——[序号]标准编号, 标准名称[S].出版地：出版者，出版年. 示例：

小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，小目标的检测精度通常只有大目标的一半。

CVPR2019论文: Augmentation for small object detection 提到了一些应对小目标检测的方法，笔者结合这篇论文以及查阅其它资料，对小目标检测相关技巧在本文进行了部分总结。

小目标的定义： 在MS COCO数据集中，面积小于 32*32 的物体被认为是小物体。

小目标难以检测的原因： 分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，这不利于我们对小目标的检测。

1、由于小目标面积太小，可以放大图片后再做检测，也就是在尺度上做文章，如FPN（Feature Pyramid Networks for Object Detection），SNIP（An Analysis of Scale Invariance in Object Detection – SNIP)。

Feature-Fused SSD: Fast Detection for Small Objects, Detecting Small Objects Using a Channel-Aware Deconvolutional Network 也是在多尺度上做文章的论文。

2、在Anchor上做文章(Faster Rcnn，SSD, FPN都有各自的anchor设计)，anchor在设置方面需要考虑三个因素：

anchor的密度： 由检测所用feature map的stride决定，这个值与前景阈值密切相关。

anchor的范围： RetinaNet中是anchor范围是32~512，这里应根据任务检测目标的范围确定，按需调整anchor范围，或目标变化范围太大如MS COCO，这时候应采用多尺度测试。

anchor的形状数量： RetinaNet每个位置预测三尺度三比例共9个形状的anchor，这样可以增加anchor的密度，但stride决定这些形状都是同样的滑窗步进，需考虑步进会不会太大，如RetinaNet框架前景阈值是时，一般anchor大小是stride的4倍左右。

该部分anchor内容参考于:

3、在ROI Pooling上做文章，文章SINet: A Scale-Insensitive Convolutional Neural Network for Fast Vehicle Detection 认为小目标在pooling之后会导致物体结构失真，于是提出了新的Context-Aware RoI Pooling方法。

4、用生成对抗网络(GAN)来做小目标检测：Perceptual Generative Adversarial Networks for Small Object Detection。

1、从COCO上的统计图可以发现，小目标的个数多，占到了，但是含有小目标的图片只有，大目标所占比例为，但是含有大目标的图像却有。这说明有一半的图像是不含小目标的，大部分的小目标都集中在一些少量的图片中。这就导致在训练的过程中，模型有一半的时间是学习不到小目标的特性的。

此外，对于小目标，平均能够匹配的anchor数量为1个，平均最大的IoU为，这说明很多情况下，有些小目标是没有对应的anchor或者对应的anchor非常少的，即使有对应的anchor，他们的IoU也比较小，平均最大的IoU也才。

如上图，左上角是一个anchor示意图，右上角是一个小目标所对应的anchor，一共有只有三个anchor能够与小目标配对，且配对的IoU也不高。左下角是一个大目标对应的anchor，可以发现有非常多的anchor能够与其匹配。匹配的anchor数量越多，则此目标被检出的概率也就越大。

实现方法： 1、Oversampling ：我们通过在训练期间对这些图像进行过采样来解决包含小对象的相对较少图像的问题（多用这类图片）。在实验中，我们改变了过采样率和研究不仅对小物体检测而且对检测中大物体的过采样效果

2、Copy-Pasting Strategies：将小物体在图片中复制多分，在保证不影响其他物体的基础上，增加小物体在图片中出现的次数（把小目标扣下来贴到原图中去），提升被anchor包含的概率。

如上图右下角，本来只有一个小目标，对应的anchor数量为3个，现在将其复制三份，则在图中就出现了四个小目标，对应的anchor数量也就变成了12个，大大增加了这个小目标被检出的概率。从而让模型在训练的过程中，也能够有机会得到更多的小目标训练样本。

具体的实现方式如下图：图中网球和飞碟都是小物体，本来图中只有一个网球，一个飞碟，通过人工复制的方式，在图像中复制多份。同时要保证复制后的小物体不能够覆盖该原来存在的目标。

网上有人说可以试一下lucid data dreaming Lucid Data Dreaming for Multiple Object Tracking ，这是一种在视频跟踪/分割里面比较有效的数据增强手段，据说对于小目标物体检测也很有效。

基于无人机拍摄图片的检测目前也是个热门研究点（难点是目标小，密度大）。 相关论文： The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking（数据集） Drone-based Object Counting by Spatially Regularized Regional Proposal Network Simultaneously Detecting and Counting Dense Vehicles from Drone Images Vision Meets Drones: A Challenge（数据集）

1: 2: 3: 4: 5: 6: 7: