对于小目标和大目标的检测仍然存在着性能差距。为了解决这个问题，本文提出了一种通过过采样和复制粘贴小目标的数据增强方法来提高模型在小目标上的表现，实验结果表明相对于现有的先进方法，我们的方法在 MS COCO 数据集上将实例分割精度提高 9.7% ，目标检测精度提高了 7.1%。

Feb, 2019

本研究探讨了显著目标检测中评估指标的尺度不变性，尤其是当同一图像中存在多个不同大小的目标时。通过观察，我们发现当前的评估指标对尺寸很敏感，更倾向于关注较大的目标而忽略较小的目标。我们认为评估应该是尺度不变的，因为没有附加语义信息时，基于尺寸的偏差是不合理的。为此，我们提出了一种通用的方法，对每个显著目标进行单独评估，然后将结果组合，有效地减轻了不平衡性。我们进一步开发了一个针对此目标量身定制的优化框架，在检测不同大小的目标方面取得了显着的改进。从理论上，我们提供了支持我们的新指标的证据，并对显著目标检测的泛化分析进行了介绍。大量实验证明了我们方法的有效性。代码可在此 URL 中获得。

May, 2024

提出了一种利用上下文改进小目标检测准确性的方法，该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性，并提出带有注意机制的物体检测方法，可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明，该方法在检测小目标方面的准确性比传统 SSD 更高，在 PASCAL VOC2007 测试集上实现了 78.1％的 mAP。

Dec, 2019

本文提出一种基于聚类的粗到细的目标检测框架，特别针对小物体和高分辨率图像的大规模差异问题，在提高目标检测准确率的同时降低了计算成本。

Mar, 2023

提出了一种基于 SOS-CNN 的方法来检测实际条件下大图像中的小型交通标志，它通过将大图像分成小补丁，利用 VGG-16 作为基础网络，对补丁级别的目标进行检测，并采用图像金字塔实现尺度不变性。实验结果表明，该方法在检测精度和召回率方面对具有小尺寸的交通标志的检测是有效的。

Jun, 2017

该文论述了一种基于课程学习的弱监督目标定位 (WSOL) 技术，通过训练一个回归器估计物体大小，并将训练图像按照物体大小逐渐递减的顺序逐个输入，以此优化 WSOL 结果中的重新定位步骤，最终在 PASCAL VOC 2007 数据集上实现了比现有最先进 WSOL 技术更好的结果。

Aug, 2016

该论文探讨了物体识别中探测小物体的挑战，重点考察了尺度不变性、图像分辨率、语境推理等方面，并通过训练深度网络实现了在小脸检测方面的突破，在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。

Dec, 2016

本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。

Nov, 2017

通过利用预训练深度模型进行微调，从而实现多种视觉任务的最佳性能表现，本文研究了许多影响目标检测微调性能的因素，提出了基于视觉相似类群的分层特征学习方案，在不增加测试阶段的计算成本下，本方法在 ImageNet 目标检测数据集上获得了 4.7% 的绝对 mAP 改进。

Jan, 2016

本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型 AlexNet。

Oct, 2015