在深度学习目标检测中，特别是人脸检测中，由于分辨率低、图像模糊、信息少、噪声多，小目标和小人脸的检测一直是一个实用和常见的难点问题。然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。

图像金字塔和多尺度滑动窗口检测

一开始，在深学习方法成为流行之前，对于不同尺度的目标，通常是从原始图像开始，使用不同的分辨率构建图像金字塔，然后使用分类器对金字塔的每一层进行滑动窗口的目标检测。

在著名的人脸检测器MTCNN中，使用图像金字塔法检测不同分辨率的人脸目标。然而，这种方法通常是缓慢的，虽然构建图像金字塔可以使用卷积核分离加速或简单粗暴地缩放，但仍需要做多个特征提取，后来有人借其想法想出一个特征金字塔网络FPN，在不同层融合特征，只需要一次正向计算，不需要缩放图片。它也被应用于小目标检测，这将在后面的文章中讨论。

简单，粗暴和可靠的数据增强

通过增加训练集中小目标样本的种类和数量，也可以提高小目标检测的性能。

有两种简单而粗糙的方法：

• 针对COCO数据集中含有小目标的图片数量较少的问题，使用过采样策略：
  

• 针对同一张图片中小目标数量少的问题，使用分割mask切出小目标图像，然后使用复制和粘贴方法(当然，再加一些旋转和缩放)。
  

在Anchor策略方法中，如果同一幅图中有更多的小目标，则会匹配更多的正样本。

特征融合FPN

合适的训练方法SNIP, SNIPER, SAN

在机器学习中有一点很重要，模型预训练的分布应该尽可能接近测试输入的分布。因此，在大分辨率(如常见的224 x 224)下训练的模型不适合检测小分辨率的图像，然后放大并输入到模型中。

如果输入的是小分辨率的图像，则在小分辨率的图像上训练模型，如果没有，则应该先用大分辨率的图片训练模型，然后再用小分辨率的图片进行微调，最坏的情况是直接使用大分辨率的图像来预测小分辨率的图像(通过上采样放大)。

因此，在实际应用中，对输入图像进行放大并进行高速率的图像预训练，然后对小图像进行微调比针对小目标训练分类器效果更好。

更密集的Anchor采样和匹配策略S3FD, FaceBoxes

如前面的数据增强部分所述，将一个小目标复制到图片中的多个位置，可以增加小目标匹配的anchor数量，增加小目标的训练权重，减少网络对大目标的偏置。同样，在逆向思维中，如果数据集已经确定，我们也可以增加负责小目标的anchor的设置策略，使训练过程中对小目标的学习更加充分。

例如，在FaceBoxes中，其中一个贡献是anchor策略。

Anchor密集化策略，使不同类型的anchor在图像上具有相同的密度，显著提高小人脸的召回率。