一、目标检测方法分类
第一，已知目标的先验知识
在这种情况下检测目标有两类方法：
（1）用目标的先验知识训练一堆弱分类器，然后这些弱分类器一起投票来检测目标；
（2）根据先验知识找到目标和非目标的最佳划分线
第二，未知目标的先验知识
此时不知道要检测的目标是什么，于是什么是目标就有了不同的定义。
（1）检测场景中的显著目标，如通过一些特征表达出场景中每个像素的显著性概率，然后找到显著目标。
（2）检测场景当中的运动目标。
二、经典前背景分离目标检测方法
2.1 背景差分法
在检测运动目标时，如果背景是静止的，利用当前图像与预存的背景图像作差分，再利用阈值来检测运动区域的一种动态目标识别技术。
背景差分算法适用于背景已知的情况，但难点是如何自动获得长久的静态背景模型。
2.2 帧差分法
利用视频序列中连续的两帧或几帧图像的差来进行目标检测和提取。（较适合于动态变化场景）
在运动的检测过程中，该方法利用时间信息，通过比较图像中若干连续帧获得对应像素点的灰度差值，如果均大于一定的阈值T2，则可以判断该位置存在运动的目标。
2.3 光流场法
利用相邻两帧中对应像素的灰度保持原理来评估二维图像的变化。
能够较好的从背景中检测到相关前景目标，甚至是运动中的部分运动目标，适用于摄像机运动过程中相对运动目标的检测。
缺点： 开口问题、光流场约束方程的解的不唯一性问题。不能正确的表示实际的运动场。
三、深度学习检测小目标的常用方法
1. 传统的图像金字塔和多尺度滑动窗口检测
- 在深度学习方法流行之前，对于不同尺度的目标，普遍使用将原图 build 出不同分辨率的图像金字塔，再对每层金字塔用固定输入分辨率的分类器在该层滑动来检测目标，以求在金字塔底部检测出小目标；或者只用一个原图，在原图上用不同分辨率的分类器来检测目标，以求在比较小的窗口分类器中检测到小目标。
- 评价： 不过这种方式速度慢（虽然通常 build 图像金字塔可以使用卷积核分离加速或者直接简单粗暴地resize，但是还是需要做多次的特征提取），后面有人借鉴它的思想搞出了特征金字塔网络 FPN，它在不同层取特征进行融合，只需要一次前向计算，不需要缩放图片，也在小目标检测中得到了应用
2. 简单粗暴又可靠的Data Augmentation
- 复制小目标到一张图的多个地方可以增加小目标匹配的 Anchor 框的个数，增加小目标的训练权重，减少网络对大目标的 bias。
3. 特征融合的FPN
- 不同阶段的特征图对应的感受野不同，它们表达的信息抽象程度也不一样。
- 浅层的特征图感受野小，比较适合检测小目标（要检测大目标，则其只“看”到了大目标的一部分，有效信息不够）；
- 深层的特征图感受野大，适合检测大目标（要检测小目标，则其”看“到了太多的背景噪音，冗余噪音太多）。
- 特征金字塔网络 FPN：将不同阶段的特征图，都融合起来，来提升目标检测的性能。
4. 合适的训练方法 SNIP,SNIPER,SAN
- 模型预训练的分布要尽可能地接近测试输入的分布。
5. 更稠密的 Anchor 采样和匹配策略 S3FD,FaceBoxes
- 如果在数据集已经确定的情况下，也可以增加负责小目标的 Anchor 的设置策略来让训练时对小目标的学习更加充分。
- 另外，对小目标的 Anchor 使用比较宽松的匹配策略（比如 IoU > 0.4）也是一个比较常用的手段。
6. 先生成放大特征再检测的 GAN
7. 利用 Context 信息的 Relation Network 和 PyramidBox
四、目标检测器的选择
- 如果需要检测的是小物体并且速度方面不作要求，倾向于使用 Faster R-CNN 算法；
- 如果速度是最重要的，倾向于使用 YOLO 算法；
- 如果需要一个平衡的表现，倾向于使用 SSD 算法；