目录
3、多尺度训练（multi scale training——MST）
一、小物体检测
在分类任务中，一般物体的大小都差不多，这也使得单纯的分类任务不需要考虑物体的大小等因素，但是在目标检测中，因为在同一个图像中，可能会出现多个目标，有的目标像素占比大，有的目标像素占比小，比如远处的人高度只有30个像素，近处的人却有几百个像素，这导致在深度学习的前向传播过程中，由于下降样的因素，会导致小目标在降采样的过程中直接丢失。
一般解决的方法有以下几种：降采样率减小、anchor设计、多尺寸训练、特征融合、尺度归一化（SNIP）
1、降采样率减小 +空洞卷积
将采样率下降的话就可以使得更小的物体能够保留下来，而不至于在下采样后一个像素点都不保留，但是减小下采样率会导致模型的感受野减小，这样对于模型是不利的，因此为了平衡二者之间的关系，一般我们可以使用空洞卷积来维持感受野的大小。
2、anchor设计
1）统计方法
设计多组anchor，然后将每一组anchor和真实框进行对比，以IOU和正样本数作为指标。取一组性能指标指示最好的anchor作为训练的anchor。
同一类物体虽然在单一尺寸上有很大的区别，但是在宽高比例上可能差别不大。
2）anchor边框聚类
利用k-means等聚类算法对训练集的真实框的长宽进行聚类，得到k个中心，将这些中心的值作为anchor生成的比例。具体可以参考yolov3模型。
3、多尺度训练（multi scale training——MST）
训练的时候将图像缩放成指定的尺度，然后进行训练。为了实现多尺度，先设置多组不同的尺度，然后每次迭代训练的时候都是先随机选取一个尺度，然后将输入图像缩放到这个尺度后再进行训练，虽然在同一次的迭代时，尺度是一样的，但是不同的迭代会有不一样的尺度，这样得到的模型就会有较高的鲁棒性。
测试的时候则将图像放大4倍或者其他倍数后，再进行检测，这样有利于小物体的检测。
4、 特征融合
一个图像在深度学习模型前向传播的过程中，图像会逐渐减小，导致图像的细节丢失，语义信息增加。即浅层的图像细节多，深层的图像语义信息多，因此可以将深层的上采样回来和浅层的进行融合。常见的有FPN、DetNet、彩虹融合、dssd等等
5、