作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文網址：[YOLO專題-27]：YOLO V5 小目標檢測遇到的問題與常見解決辦法_文火冰糖（王文兵）的博客-CSDN博客
目錄
第1章 前言：
第2章 小目標檢測常見問題
2.1 大小目標混合的場合
2.2 只有小目標的場合
第3章 小目標檢測困難的原因
3.1 模型對小目標總數的支持不夠
3.2 小目標漏檢率太高
3.3 解決問題的基本思路
第4章 小目標檢測可能的解決之道：輸入圖片
4.1 目標數量超標
4.2 目標像素太少
第5章 小目標檢測可能的解決之道：預測模型
5.1 針對目標數量超標的問題
5.2 針對目標像素太少的問題：統一模型
5.3 針對目標像素太少的問題：分離模型
第1章 前言：
在實際應用中，有時候，在一張圖片中有大目標，也有小目標，且小目標的數量可能遠遠大于大目標的數量，同一個模型要檢測大目標和小目標時，對小目標的檢測效果往往不盡如人意，
本文就是探討小目標檢測的問題以及可能的解決辦法，
第2章 小目標檢測常見問題
2.1 大小目標混合的場合
在這種場合中，一張圖片上有少數的大目標，有小目標，
常見的問題有：
（1）能夠準確地檢測到大目標，但檢測不到小目標
（2）小目標的recall 率很低，大量的小目標檢測不到，被遺漏
（3）小目標的數量太多，模型對小目標總是的支持不夠
2.2 只有小目標的場合
在這種場合中，一張圖片上全是小目標，
（1）小目標的recall 率很低，大量的小目標檢測不到，被遺漏
（2）小目標的數量太多，模型對小目標總數的支持不夠
第3章 小目標檢測困難的原因
在找到或提供解決辦法之前，首先弄清楚不同問題原因，
3.1 模型對小目標總數的支持不夠
這種情況來自兩個主要方面的原因：
（1）圖片本身：單張圖片的目標太多
有時候，單張圖片中小目標的數量太多，比如細胞的圖片，一張圖片中，包含了上百萬個細胞，這就不是模型本身的問題了，而是圖片的問題，
（2）模型本身：模型設計的限制
模型對單張圖片支持的目標的數量受限于模型本身的設計，如果圖片中目標的數量超出了模型支持的最大數量，自然會出現模型對小目標總數支持不夠的問題，
3.2 小目標漏檢率太高
這種情況，單張圖片中小目標的數量完全滿足模型設計的要求，這時候，依然會出現大量小目標檢測不到的情況，這里也分為兩種原因：
（1）圖片本身
小目標包含的像素少，比如，一張尺寸為640 * 640的圖片， 大目標的像素通常大于 100 * 100，這種情形下，而小目標的像素通常只有10*10個像素點，甚至更少，
從上圖中可以看出，小目標與大目標在長度和寬度尺寸上相差超過10倍以上，像素點（面積）相差上百倍，
像素點越少，目標圖片，經過卷積后的特征就更少了，那么用于目標檢測和分類的特征就更少了，
能夠提供的原始資訊越少，則被漏檢的可能性就越大，
（2）模型本身
通常情況下，模型是通過卷積來提取原始圖片像素中包含的特征的，感受野就反應了單個高層特征的資訊與原始像素之間的對應關系，在網路卷積核確定的情況下，隨著網路層數的增加，單個高層特征反應原始圖片像素的范圍就越大，視野就越寬，高層資訊越是能夠反應原始圖片中物體的宏觀輪廓，如下圖所示：
然后，隨著網路層數的增加和感受野的變大，微觀的資訊就會丟失， 這樣對于小目標的資訊就會聚合到一個點，小目標原本包含的像素就少，隨著感受野的增加，聚合后的特征就更少了，比如10*10像素的小目標，經過卷積后的特征可能就只有1*1，甚至出現多個10*10像素的小目標，經過多次卷積核，合并成了一個特征，這樣，小目標就無法識別，
因此，深層的多次卷積，對于小目標的微觀特征實際上是不利的，
3.3 解決問題的基本思路
綜上所述，要解決小目標檢測問題，需要從兩個角度來解決
（1）輸入圖片
（2）預測模型
第4章 小目標檢測可能的解決之道：輸入圖片
4.1 目標數量超標
（1）先把圖片切分成多張圖片，然后對每張圖片單獨進行檢測，最后進行匯總
這種方法的難點是：需要處理好圖片與圖片之間的切割線上的目標，因此需要通過一定的重疊區來解決，
4.2 目標像素太少
（1）區域放大
通剪切的方式獲取包含小目標的一片圖片，然后對剪切后的圖片進行像素增強，最后對增強后的圖片進行目標檢測，這種方法優點類似現實生活發現小目標的方法：先聚焦聚焦，然后放大，再進行鑒別，
這種方法的難點是：如何剪切包含小目標的圖片，依據什么原則來截取大圖片的區域，計算機如何知道那片區域包含小目標？區域的大小、邊界如何確定？
（2）整體增強
- 對整張圖片進行資料增強，甚至增加圖片的尺寸
- 通過高倍的照相機獲取高解析度的圖片
這種方法的問題是：連同大目標一并進行了增強，導致整張圖片的像素變得非常大，而對于大目標而言，這種增強是沒有意義的，導致預測的時間變長，
在高解析度的情況下，小目標也具備清晰的特征和較多的像素，
（3）增加沒有目標的背景圖片
通過明確的告訴網路，什么是沒有目標的背景，什么是目標，這樣通過背景與目標的反差，就能夠區分出圖片中微小的物體，
這種地面上沒葉子的圖片就可以作為背景，以區分地面與地面上小目標：葉子，
第5章 小目標檢測可能的解決之道：預測模型
5.1 針對目標數量超標的問題
通過修改或選擇支持更多目標的模型，支持的目標越多，模型所需要的記憶體越大，
5.2 針對目標像素太少的問題：統一模型
這種方式下，大目標和小目標處于相同的圖片上，采用相同的圖片訓練同一個模型，
訓練出來的模型，同時識別大目標與小目標，
為了能夠更好的識別小目標，可以采用的方法有：
（1）降低網路的層數：避免多個小目標經過多層卷積核混合在一起，無法區分，
（2）減少卷積核的尺寸：編碼小目標的所有像素卷積成一個特征，
（3）減小步長：避免跳過部分小目標的像素提取，
總之，為了迎合小目標的識別，需要犧牲對大目標的更高層次的抽象，
5.3 針對目標像素太少的問題：分離模型
針對大目標和小目標，采用不同的模型和資料集進行訓練和預測，
（1）識別大目標時：
- 不識別小目標，小目標作為背景
- 盡可能采用大型、深層次網路提取
（2）識別小目標時：
- 不識別大目標、大目標作為背景
- 盡可能采用小型、淺層次網路提取特征
- 訓練圖片，可以是原始圖片，也可以是從原始圖片截取的包含小目標的圖片，
作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文網址：[YOLO專題-27]：YOLO V5 小目標檢測遇到的問題與常見解決辦法_文火冰糖（王文兵）的博客-CSDN博客
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/413656.html
標籤：其他
上一篇：MOCO： Momentum Contrast for Unsupervised Visual Representation Learning