小目标检测研究综述

2022 年 8 月 27 日 专知

随着计算机视觉和人工智能技术的快速发展，近年来，目标检测受到了更加广泛的关注。由于小目标像素占比小、语义信息少、易受复杂场景干扰、易聚集遮挡等问题，导致小目标检测一直是目标检测领域中的一大难点。目前，视觉的小目标检测在生活的各个领域中日益重要。为了可以进一步促进小目标检测的发展，提高小目标检测的精度与速度，优化其算法模型，本文针对小目标检测中所存在的问题，梳理了国内外有关小目标检测的研究现状及成果。首先，分别从小目标可视化特征、目标分布情况、检测环境等角度对小目标检测的难点进行了分析，同时从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面，系统总结了小目标检测的方法。并整理了在框架结构、损失函数、预测和匹配机制等方面发展的较为成熟的单阶段小目标检测方法。其次，本文对小目标检测的评价指标以及可用于小目标检测的各类数据集也进行了详细的介绍，并且针对部分经典的小目标检测方法在COCO、VisDrone2021、Tsinghua-Tencent100K等数据集上的检测结果及其可视化检测效果进行了对比与分析。最后，对未来小目标检测所面临的挑战，包括应如何解决小目标定位困难、网络模型下采样对小目标的影响、交并比阈值的设置对小目标不合理等问题和其对应的研究方向进行了分析与展望。

随着人工智能技术研究的不断发展，深度学习、机器视觉等技术在无人驾驶、智慧医疗、人脸识别等领域得到了更加广泛的应用。机器视觉的任务是对图像进行解析，提取出利于计算机理解的信息，包括对图像的分类(Dalal 等，2005)、检测(Szegedy 等，2013)和分割(Ding 等，2018)等。目标检测作为计算机视觉领域的核心研究方向之一，其利用相关算法，通过精确的定位(Wu 等，2020)找到特定的目标类。早期传统的目标检测方法如 HOG(Dalal 等， 2005)、DPM(Felzenszwalb 等，2008)等，通常采用区域选择、特征手工提取、分类回归三步实现，但人工提取目标特征对于小目标检测存在较大的局限性。基于卷积神经网络的目标检测算法总体可以分为两阶段和单阶段检测算法，两阶段检测算法如 Faster R-CNN(Ren 等，2015)、Cascade R-CNN(Cai 等，2018)等，通过区域提议网络选取生成候选区域，再对其进行分类和回归得到检测结果，但是在小目标的检测上仍存在准确率较低的问题。单阶段检测算法如(Single Shot MultiBox Detection，SSD)(Liu 等， 2016)，(You Only Look Once，YOLO)(Redmon 等， 2016)等，能够直接对目标进行定位，输出目标的类别检测信息，在一定程度上提升了目标检测的速度。小目标检测作为目标检测的难点和热点，有着更加重要的应用价值。在医学影像学中，成功检测出早期微小的病灶和肿块，对之后诊断和治疗肿瘤有着至关重要的作用(Bottema 等，2000)；在自动工业检查中，通过小目标检测来定位材料表面上的小缺陷 (Ng 等，2006)，防止意外的发生。因此，小目标检测也是计算机视觉中不可或缺且具有挑战性的问题。当前对小目标的定义通常分为两种，一若目标的尺寸低于原图像尺寸的 0.1 倍，就认为是相对小目标 (Liu 等，2020)；二在 MS-COCO 数据集中，若目标的尺寸小于 32 * 32 个像素，就认为是绝对小目标。尽管目标检测算法已经取得了重大突破，但是现阶段小目标检测的研究还具有很大挑战，主要有以下几个问题。一是小目标可视化特征不明显，可利用信息较少。若图像本身的分辨率比较低 (Wang 等，2018)，将难以精准地检测出小目标。二是特征提取问题。目标检测中，特征提取的好坏直接影响最终的检测效果，与大尺度目标相比，小目标的特征更难提取。并且在检测模型中，经过池化后小目标的某些特性会被删除，给检测带来一定的挑战。三是背景干扰问题。复杂环境下的小目标检测会受到光照、复杂地理元素、以及遮挡、聚集等因素的干扰，难以将它们与背景或相似的目标进行区分。因此，如何有效地改善复杂背景干扰也是当前面临的问题。四是小目标数据集短缺。目前，主流的目标数据集，例如 PASCAL VOC、MS-COCO 中大多都是通常尺度的目标，其中小尺度目标的占比不足并且分布不均匀。而 DOTA(Xia 等，2018)遥感目标检测数据集和 FDDB(Jain 等，2010)人脸检测数据集等，都是针对特定场景或任务的，不具备小目标检测的通用性。五是网络模型对小目标的泛化能力弱。由于目前大部分的检测模型在预训练过程中，通常使用目标尺度相对较大的分类数据集，所以得到学习后的网络模型对小目标的泛化能力较弱。目前，视觉的小目标检测在生活的各个领域中日益重要，为了可以进一步促进小目标检测的发展，针对当前小目标检测所存在的难点和问题，本文综述了国内外有关小目标检测的研究现状及成果。归纳分析了常用的小目标数据集，并且从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面，系统总结了小目标检测的方法，最后对未来小目标检测的研究方向进行了分析与展望。