小目标检测的一般解决方法从COCO数据集定义一般定义，将小于32x32 pix的定义为小目标。
2小目标检测的难点在于可以利用现有数据集中小目标占比少的小目标集合问题，首先小目标本身分辨率低，图像模糊，携带的信息少。 因此，特征的表达能力较弱，即在提取特征的过程中可以提取的特征非常少，不利于小目标的检测。
另外，互联网通常使用下采样来减少计算量，但过多的下采样会导致小目标的信息在最后的特征图上只有几个像素（甚至更少），信息丢失较多。
在COCO挑战中，小目标的检测精度(A P S AP^S APS )通常只有大目标(A P L AP^L APL )的一半。
3解决思路3.1提高数据图像采集分辨率
用基于GAN的方法解决的也是小目标本身判别性特征少的问题，其思路非常简单但有效：利用GAN生成高分辨率图像或高分辨率特征。
3.2 Data Augmentation提供了特别有用的小物体检测增强功能，包括随机裁剪、随机旋转和镶嵌扩展。
复印，增加小目标数
通过缩放和拼接，增加中小目标数量
3.3修改模型输入大小以提高模型输入分辨率。 也就是说，减少或不压缩原图像的tiling。 截取图像并进行batch，可以在保持小输入分辨率的同时提高小目标检测，但推理时也需要tiling。 之后，将目标返回原图像，整体进行一次NMS。 3.4修改anchor以适应小目标anchor
3.5 Anchor Free锚框架设计难以平衡小目标召回率和计算成本之间的矛盾，且这种方式会导致小目标正样本和大目标正样本的极端失衡，使得模型更加关注大目标的检测性能，而忽略小目标的检测
3.6多尺度学习FPN腔卷积可以在多尺度上保留下采样前特征，保留尽可能小的目标
3.7降低下采样效率，例如，如果YOLOv5的stride为32，则可以调整stride以降低下采样效率，从而保留一些相对较小的特征。
3.8 SPP模块增加了感觉区，对小目标更有效果，SPP size的设置解决feature map中输入的size可能更有效。
3.9损失函数小的目标的大权重，也可以试试Focal Loss。
3.10增加contextinfocontextinfo有利于小目标的检测，asurveyofthefourpillarsforsmallobjectdetection 3360 multiscalerepresentation，concont
可能的方法是关注CBAM模块、TPH-YOLOv5或VisDrone Challenge 2021的比赛。
借鉴小目标检测研究进展
YOLOv3进行红外小目标检测
asurveyofthefourpillarsforsmallobjectdetection : multiscalerepresentation，Contextual Information，Super-Resolution，and