隨著深度學(xué)習(xí)和人工智能技術(shù)的興起與技術(shù)成熟，一大批如Faster R-CNN、Retina Net、YOLO等可以在工業(yè)界使用的目標(biāo)檢測(cè)算法已逐步成熟并進(jìn)入實(shí)際應(yīng)用，大多數(shù)場(chǎng)景下的目標(biāo)檢測(cè)問題都能得到解決。

但其中弱小目標(biāo)檢測(cè)性能差的問題仍十分顯著，并沒有出現(xiàn)較為有效的針對(duì)弱小目標(biāo)檢測(cè)的技術(shù)手段和方法，使得弱小目標(biāo)檢測(cè)的性能成為了制約整體檢測(cè)器性能的瓶頸。

弱小目標(biāo)通常指圖像中像素面積小于32*32的物體，其檢測(cè)的核心難點(diǎn)主要有以下幾個(gè)方面：

1.目標(biāo)本身像素面積?。簉gb信息少導(dǎo)致包含的判別性特征過少；

2.訓(xùn)練用數(shù)據(jù)集不平衡：大多數(shù)開源數(shù)據(jù)集中弱小目標(biāo)的占比少，存在較為嚴(yán)重的圖像級(jí)不平衡；

3.干擾情況嚴(yán)重：在有限的圖像數(shù)據(jù)中，小目標(biāo)通常存在不同程度的遮擋、模糊、不完整現(xiàn)象，導(dǎo)致目標(biāo)小的基礎(chǔ)上，還很難進(jìn)行檢測(cè)；

4.大、小目標(biāo)是相互影響的，算法過度關(guān)注小目標(biāo)，則大目標(biāo)可能因?yàn)槿鄙訇P(guān)注而損失性能。

為了解決這一難題，慧視光電的算法工程師們也絞盡了腦汁，最終給出了小目標(biāo)識(shí)別算法的方案，其基本的解決思路是：

1、加強(qiáng)目標(biāo)特征；

2、數(shù)據(jù)增廣；

3、放大輸入圖像；

4、使用高分辨率的特征；

5、設(shè)計(jì)合適的標(biāo)簽分配方法，以讓小目標(biāo)有更多的正樣本；

6、利用小目標(biāo)所處的環(huán)境信息或者其他容易檢測(cè)的物體之間的關(guān)系來輔助小目標(biāo)的檢測(cè)；

上述方法的共性都是要增加小目標(biāo)的訓(xùn)練樣本數(shù)量，放大圖像或特征使小目標(biāo)變?yōu)榇竽繕?biāo)，增加小目標(biāo)的正樣本數(shù)量。

經(jīng)過不斷的測(cè)試驗(yàn)證，慧視光電推出的小目標(biāo)識(shí)別算法已經(jīng)在RV1126、RK3588等圖像處理板上有著穩(wěn)定的表現(xiàn)。

隨著目標(biāo)識(shí)別算法和相關(guān)技術(shù)的不斷延伸發(fā)展，相信在不遠(yuǎn)的未來會(huì)有突破性的研究和方法來解決這一工程落地中的實(shí)際難題。