1. 小目标的特性

• 目标之间的交叠概率比较低，即使有交叠，其IoU多数情况下也是比较小的
  

AI-TOD

Tiny Person Dateset

• 小目标自身的纹理显著度有强弱区别，但是总体来说纹理特征都较弱，很多时候需要借助一定的图像上下文来帮助确认
  

随着上下文信息增加，可以逐步判断为人脸

2.小目标分类

3.从感受野切入，思考小目标检测backbone设计

基本认识：在不考虑宽度的情况下，网络深度越深，通常来说更有利于特征学习

一个不严谨的共识：在达到相同大小感受野的情况下，网络越深越好

二次加工以后的共识：在确保网络结构在各种资源消耗可行的前提下，达到相同大小感受野的情况下，网络越深越好

关注步长为2的卷积所在位置，它控制了达到某个大小感受野的网络深度

如果有多个步长为2的卷积，那么它越多，网络越浅
如果只有一个步长为2的卷积，那么它越靠前，网络越浅

面向小目标检测的backbone设计原则：

• 使用步长为2的卷积替代pooling操作进行下采样
• 避免使用步长超过2的卷积，比如步长为4的卷积
• 在两个步长为2的卷积之间，需要加入若干步长为1的卷积，这里可以是3x3的卷积也可以是1x1的卷积
• 达到预期感受野大小的前提下，尽可能让网络更深，但是要把握好各项资源消耗和精度的平衡，要具备可行性