小目标检测trick

小目标难检测原因

小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理:

• 导致小目标在特征图的尺寸基本上只有个位数的像素大小，导致设计的目标检测分类器对小目标的分类效果差。
• 如果分类和回归操作在经过几层下采样处理的 特征层进行，小目标特征的感受野映射回原图将可能大于小目标在原图的尺寸，造成检测效果差。

小目标在原图中的数量较少，检测器提取的特征较少，导致小目标的检测效果差。

神经网络在学习中被大目标主导，小目标在整个学习过程被忽视，导致导致小目标的检测效果差。

Tricks

（1） data-augmentation.简单粗暴，比如将图像放大，利用 image pyramid多尺度检测，最后将检测结果融合.缺点是操作复杂，计算量大，实际情况中不实用;
（2） 特征融合方法：FPN这些，多尺度feature map预测，feature stride可以从更小的开始;
（3）合适的训练方法：CVPR2018的SNIP以及SNIPER;
（4）设置更小更稠密的anchor，回归的好不如预设的好, 设计anchor match strategy等，参考S3FD;
（5）利用GAN将小物体放大再检测，CVPR2018有这样的论文;
（6）利用context信息，建立object和context的联系，比如relation network;
（7）有密集遮挡，如何把location 和Classification 做的更好，参考IoU loss, repulsion loss等.
（8）卷积神经网络设计时尽量采用步长为1，尽可能保留多的目标特征。
（9）matching strategy。对于小物体不设置过于严格的 IoU threshold，或者借鉴 Cascade R-CNN 的思路。

那么，有一个十分简单的方法可以提升小物体的精度，那就是为 bounding box regression 这项损失上，加一个针对于小物体的权重。
以 YOLOv3 为例，默认对于 regression 损失都会上一个$(2-w\times h)$ 的损失，w 和 h 分别是ground truth 的宽和高。如果不减去 $w\times h$，AP 会有一个明显下降。如果继续往上加，如 $(2-w\times h)\times 1.5$，总体的 AP 还会涨一个点左右（包括验证集和测试集）。当然这大概也有 COCO 中小物体实在太多的原因。

有遮挡的目标检测

Repulsion Loss: Detecting Pedestrians in a Crowd-CVPR2018

遮挡情况

目标检测中存在两类遮挡，（1）待检测的目标之间相互遮挡；（2）待检测的目标被干扰物体遮挡。比如下图

具体来说，如果检测任务的目标是汽车和人，那么汽车被人遮挡，而且人被干扰物体（牛）遮挡。因为算法只学习待检测的物体的特征，所以第二种遮挡只能通过增加样本来优化检测效果。

在现实的检测任务中，只有比较特殊的场景需要考虑遮挡问题，比如行人检测、公交车上密集人群检测、牲畜数量计算等

问题描述

如图所示，其中T1,T2为Groundtruth框，而P1,P2,P3为anchors，由于P2中包含了T2的部分区域，所以P2对应的proposals很容易受到T2的干扰，导致回归出来的proposal同时包含了目标T1,T2的部分区域，不精准

假设图中的预测框P1不存在，也即T1对应的proposals只有P2，如果T2对应的max score的proposal近似为P3，那么当P2和P3的IOU大于阈值时，在后处理nms阶段就会把P2过滤掉，从而导致更严重的情况，T1被漏召回了

方案一：repulsion loss

针对不精准和漏召回的情况，使用repulsion loss（斥力损失），类比磁铁的吸引力和排斥力作用

斥力损失的作用是对预测的proposal进行约束，使其不仅要靠近target T（引力作用），还要远离其他的Groundtruth物体B以及B对应的proposals（斥力作用）．如果T的Surrounding Groundtruth包含了除B以外的其他目标，则斥力损失会要求预测的proposal远离所有这些目标

具体实现-repulsion loss

论文提出了两个损失函数，RepGT和RepBox，前者用于对proposal向其他目标(gt)偏移的情况进行惩罚，从而实现斥力作用（编号为A），后者用于对proposal向其他目标(gt)对应的proposals靠近的情况进行惩罚，从而实现斥力作用（编号为B），因此检测结果对NMS算法更加鲁棒

为了简化，只考虑了两类的情况，前景和背景，所有前景为同一类别

引力作用

对于指定的anchor $P\in P_{+}$，可以计算它与所有的groundtruth框的IOU，取IOU最大的作为target框

定义$B^P$为anchor P对应的预测框，那么需要满足预测框逼近target框，度量两个框的逼近程度的方式包括欧式距离，smoothL1距离，IOU等，论文中使用了smoothL1距离，并且对于训练集batch中的每一张图，需要考虑所有的anchors，因此表达式如下

斥力作用A

对于指定的anchor $P\in P_{+}$，可以计算它与所有的groundtruth框的IOU，取IOU第二大的作为target框，公式如下

斥力作用A用于对$B^P$逼近$G_{Rep}^P$的情况进行惩罚，作者使用了IoG(intersection over Groundtruth)指标来衡量逼近程度，公式如下

斥力作用B

当不同Target对应的预测框太近时，容易出现漏召回的情况，斥力作用B用于将不同Target对应的预测框分离开

对于所有的groundtruth框$G^0=G$，每个框$G$都对应了一组anchors，那么所有的anchors可以分为$|G^0|$组

Occlusion-aware R-CNN: Detecting pedestrians in a Crowd-ECCV2018

方案二：Occlusion-aware R-CNN

loss优化

• 所有的预测框逼近对应的target框 closely
• 属于同一target框的多个预测框尽量集中 compactly

网络优化－PORoI

PORoI，全称为“Part Occlusion-aware RoI Pooling Unit”，在Faster RCNN算法中，RPN部分会生成目标的候选区域，如下图中的红色方框所示，ROI Pooling会将该红色区域缩放到固定尺寸，记作m×m，对于行人检测任务，作者考虑到人体具有特殊的结构，为了充分利用这一prior knowledge，从红色候选区域中切分出5个子区域，如图中蓝色的框所示。每一个蓝色框经过ROI Pooling操作后都会变成尺寸为m×m的特征图。

因为这5个子区域可能会有遮挡，图中的“Occlusion process unit”是用来生成对应子区域的“可见度”打分，若该子区域被遮挡，则打分较低，否则打分较高，作者作用用了element-wise sum操作将所有子区域的特征合并，用于最终的分类和定位任务。

笔者认为，该PORoI层存在两处待改进的地方，（1）将人体分成5个子区域是否合理，分成更多的子区域是否会效果更好，作者文中没有贴相关对比；（2）因为不同子区域对应不同的特征，“Eltw sum”操作进行特征融合，破坏了特征的结构性，需要探索更加合理的特征融合方式，使它能结合位置先验信息。

总结

两篇文章都是针对行人检测中的遮挡问题，提出解决办法
第一篇文章仅从优化目标的角度考虑，第二篇文章同时从优化目标和网络结构的角度考虑
两篇文章都是基于Faster RCNN算法框架做优化，且效果基本相当

参考知乎