在深度學習目標檢測中，由於小目標分辨率低，圖片模糊，信息少，噪聲多所以是一個實際且常見的困難問題
解決方法：使用不同分辨率的圖像金字塔，再對每層金字塔用固定輸入分辨率的分類器在該層滑動來檢測目標，以求在金字塔底部檢測出小目標；或者只用一個原圖，在原圖上，用不同分辨率的分類器來檢測目標，以求在比較小的窗口分類器中檢測到小目標。
參考1
1.[將圖像resize成不同的大小]
(http://xxx.itp.ac.cn/ftp/arxiv/papers/1604/1604.02878.pdf)
2.data augmentation:對小目標進行數據增強
1>過采樣策略oversampling，改變采樣率
2>針對同一張圖片里面包含小目標數量少的問題，在圖片內用實例分割的Mask摳出小目標圖片再使用復制粘貼的方法（當然，也加上了一些旋轉和縮放，另外要注意不要遮擋到別的目標）
3.特征金字塔網絡FPN
淺層特征圖感受野小適合小目標檢測，深層特征圖感受野大適合大目標檢測
4.人臉檢測SSH、Feature-Fused SSD、Deconvolutional Network
5.合適的訓練方法‘’模型預訓練的分布要盡可能地接近測試輸入的分布‘’SNIP(An Analysis of Scale Invariance in Object Detection)訓練時只訓練合適尺寸的目標樣本，只有真值的尺度和Anchor的尺度接近時來用來訓練檢測器，太小太大的都不要，預測時輸入圖像多尺度，總有一個尺寸的Anchor是合適的，選擇那個最合適的尺度來預測,SNIPER,SAN，R-FCN
6.更稠密的Anchor采樣和匹配策略S3FD,FaceBoxes
1>FaceBoxes:Inception3的anchors有三個scales(32,64,128)，而32 scales是稀疏的，所以需要密集化4倍，而64 scales則需要密集化2倍
2>在S3FD人臉檢測方法中，則用了Equal-proportion interval principle來保證不同大小的Anchor在圖中的密度大致相等，
7.對小目標的Anchor使用比較寬松的匹配策略（比如IoU > 0.4），總之就是從anchor的密度，anchor的范圍，anchor的形狀數量來考慮，具體理解可參看2
8.GAN方法：使用GAN對小目標生成一個和大目標很相似的Super-resolved Feature，然后把這個Super-resolved Feature疊加在原來的小目標的特征圖上，以此增強對小目標特征表達來提升小目標的檢測性能。【Perceptual GAN】
9.利用Context信息的Relation Network和PyramidBox
比如檢測人臉時，圖片中不會僅僅只有一張臉，會有肩膀胳膊等，可以利用這些上下文信息，目標就變大了
10.ROI pooling和Context-Aware RoI Pooling，ROI align
11.回歸損失函數：不同大小的目標大小給不同的損失函數加權系數
12.增大小目標的GT，從而變相加大目標。增加檢測能力
13.Lucid Data Dreaming for Multiple Object Tracking，這是一種在視頻跟蹤/分割里面比較有效的數據增強手段，據說對於小目標物體檢測也很有效