向华桥，崔文超，刘世焯，孙水发

(三峡大学 计算机与信息学院，湖北 宜昌 443000)

0 引 言

随着人们对于目标检测技术越来越广泛的应用，对于一些特定场景下小目标的准确识别有了更多需求。同时小目标检测性能的提高是目前目标检测技术中的一个难点问题，改善小目标检测性能对于整体目标检测技术的更好应用有着重要意义。目标检测主要包括两个方面的内容，一是对图像中感兴趣目标的定位，二是对定位边框中目标的分类。小目标目前没有特定的大小定义，其具有尺寸较小，分辨率低，特征不明显等特点，往往根据不同的应用背景小目标的尺寸定义略有不同，在MS COCO数据集中往往将尺寸小于32×32像素的目标定义为小目标。

传统非深度学习的目标检测算法[1]往往分为3个步骤，生成候选区域、特征提取、目标分类，生成候选区域后使用特征模板进行特征提取，然后对提取的特征信息用分类器分类后得到检测结果。而基于深度学习的检测算法[2]使用卷积神经网络学习目标特征，通过反向传播误差实现网络系数自动更新，再将特征应用于具体的检测过程。2012年以来，基于卷积神经网络(CNN)的目标检测研究取得了重大的突破。基于深度学习的目标检测算法往往又可以分为单阶段和两阶段两大类[3]，其中RetinaNet[4]是经典的单阶段算法之一，Faster RCNN[5]是经典的两阶段算法之一。现阶段大部分目标检测算法以及各种不同的改进都是针对常规尺度的目标，而对于小目标检测效果不够理想。……