小目标检测相关资料备忘
1、评价指标 mean Average Precision(mAP)
https://blog.csdn.net/zl3090/article/details/82740727
https://www.cnblogs.com/eilearn/p/9071440.html
https://blog.csdn.net/yangzzguang/article/details/80540375
https://blog.csdn.net/wangdongwei0/article/details/83033340
2、YOLO相关
YOLO
页面：https://pjreddie.com/darknet/yolo/
https://www.cnblogs.com/MY0213/p/9460562.html
https://blog.csdn.net/fangxiangeng/article/details/80623129
YOLO9000: Better, Faster, Stronger 论文：https://arxiv.org/abs/1612.08242
https://zhuanlan.zhihu.com/p/33277354
https://cloud.tencent.com/developer/news/302362 目标检测算法历经了：yolo v1—SSD—yolo v2 / yolo 9000 —yolo v3
YOLO V3
论文网址： https://arxiv.org/abs/1804.02767
YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。
代码： https://github.com/qqwweee/keras-yolo3
https://www.jianshu.com/p/d13ae1055302
https://blog.csdn.net/leviopku/article/details/82660381
3、小目标检测相关
https://www.jianshu.com/p/1973079386f4
https://blog.csdn.net/wq604887956/article/details/83053927
https://www.csdn.net/gather_26/MtTaggysMjYzMy1ibG9n.html
https://blog.csdn.net/u014236392/article/details/83993730
小目标检测的一些理解 https://blog.csdn.net/weixin_38440272/article/details/83269361
4、数据增强
https://arxiv.org/abs/1902.07296
Augmentation for small object detection 小目标检测中的数据扩展
增强小目标检测 https://blog.csdn.net/u011344545/article/details/91355839
https://blog.csdn.net/abrams90/article/details/89371797
Improving Small Object Detection (ACPR2017) https://blog.csdn.net/weixin_39290638/article/details/84487984
SNIPER: Efficient Multi-Scale Training https://arxiv.org/abs/1805.09300 5fps,on a single V100 GPU
5、多尺度处理
1）https://www.admin5.com/article/20180726/867501.shtml
Yi+提交的深度学习模型，虽然采用了Faster RCNN的基本结构，但有很多不同之处：1）采用ResNeXt作为基础网络，结合FPN实现多尺度特征融合，2）在后处理阶段，采用SoftNMS和多框投票融合；3）通过Yi+海量数据进行预训练；4）多尺度训练，进一步加强数据增强。
2）面向小目标的多尺度Faster-RCNN检测算法
摘要 小目标是指图像中覆盖区域较小的一类目标.与常规目标相比，小目标信息量少，训练数据难以标记，这导致通用的目标检测方法对小目标的检测效果不好，而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上，提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network， Faster-RCNN)检测算法.根据卷积神经网络的特性，修改了Faster-RCNN的网络结构，使网络可以同时使用低层和高层的特征进行多尺度目标检测，提升了以低层特征为主要检测依据的小目标检测任务的精度.同时，针对训练数据难以标记的问题，使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同，又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化，使训练图像和测试图像的特征分布更类似.实验结果表明：所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.
http://crad.ict.ac.cn/CN/abstract/abstract3866.shtml
6、其他
Object Detection目标检测全面总结
https://blog.csdn.net/cym1990/article/details/78772020
https://blog.csdn.net/hw5226349/article/details/81906882
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
