该论文探讨了在计算机视觉任务中，小目标检测性能弱于大目标的问题。主要原因是小目标样本数量不足和在同一图像内出现频率低。为解决这一问题，提出了两种数据增强策略：过采样增加包含小目标的图片比例，以及复制粘贴小目标到图像的其他区域并结合旋转和缩放，以增加小目标的训练数据量。这两种方法有助于提高深度学习模型对小目标检测的精度。
目录
1.论文地址
https://arxiv.org/abs/1902.07296
https://arxiv.org/abs/1902.07296
2.解决什么问题
检测小目标的能力，往往弱于检测大目标（AP值低2到3倍）。
注：
0<area<32x32：小目标
32x32<area<96x96: 中等目标
96x96<area: 大目标
3.出现问题的原因
作者分析，有两个原因。
（1）包含小目标的图片数量少；
（2）同一张图片中，包含小目标数据量少。
简单来说，就是小目标数量少。
4.解决办法
针对上面两个原因，分别给出不同的数据增强办法。
4.1 过采样
针对包含小目标的图片数量少的问题，则使用过采样（OverSampling）的策略。
4.2 复制粘贴
针对同一张图片中，包含小目标数量少的问题，则使用复制粘贴的策略。利用mask抠出小目标再复制粘贴到其他地方（加上旋转和缩放）。
原因细节：
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
