對小目標檢測展開研究將有助于推動目標檢測領(lǐng)域的發(fā)展，擴寬目標檢測在現(xiàn)實世界 的應用場景，提高中國的科技創(chuàng)新水平和加快中國全面步入智能化時代的步伐。 目標檢測作為計算機視覺的基礎(chǔ)研究，已有許多優(yōu)秀的綜述發(fā)表。
按照改進思路的不同，小目標檢測方法可分為基于多尺度預測、基于提高特征分辨率、基于上下文信息、基于數(shù)據(jù)增強技術(shù)、基于新的主干網(wǎng)絡和訓練策略共5種方法. 多尺度預測指的是在多個不同尺度的特征圖上分別對物體的類別和坐標進行預測.
基于上下文學習的方法充分利用了圖像中與目標相關(guān)的信息，能夠有效提升小目標檢測的性能。 但是，已有方法沒有考慮到場景中的上下文信息可能匱乏的問題，同時沒有針對性地利用場景中易于檢測的結(jié)果來輔助小目標的檢測。 鑒于此，未來的研究方向可以從以下兩個角度出發(fā)考慮：（1）構(gòu)建基于類別語義池的上下文記憶模型，通過利用歷史記憶的上下文來緩解當前圖像中上下文信息匱乏的問題；（2）基于圖推理的小目標檢測，通過圖模型和目標檢測模型的結(jié)合來針對性地提升小目標的檢測性能。 生成對抗學習的方法旨在通過將低分辨率小目標的特征映射成與高分辨率目標等價的特征，從而達到與尺寸較大目標同等的檢測性能。
