李文涛，彭 力

物联网技术应用教育部工程研究中心（江南大学 物联网工程学院），江苏 无锡 214122

小目标检测在日常生活中扮演着极为重要的角色[1-3]，如无人机航拍领域、遥感图像、无人驾驶汽车对周边较远较小目标的检测以及工业领域对产品微小瑕疵的检测等。当前计算机领域对小目标物体还没有一个严格的定义与区分，每个数据集对小目标的像素划分也不尽相同。本文按照主流的小目标定义[4-5]，规定图像中尺寸小于32×32 像素的物体为小目标。当前，目标检测领域对大中目标的检测效果已经达到了很高的水平[6-7]，但是小目标因为其分辨率低，图像模糊，携带的信息少，所以导致特征表达能力弱，其检测已经成为目标检测中的一大难题。

目标检测领域发展了几十年，传统的基于手工设计特征的目标检测算法如Haar（joint Haar-like features）[8]、HOG（histograms of oriented gradients）[9]等由于其准确性低、鲁棒性差而逐渐被淘汰。随之而来的是近些年蓬勃发展的基于深度学习的各种神经网络算法，这些算法在缩短检测时间的同时大大提高了检测精度。基于卷积神经网络的检测算法大概可以分为两类，one-stage（单步）算法和two-stage（双步）算法。two-stage 检测算法将检测任务分成了两步，第一步生成候选区域，第二步对选出的候选区域进行分类预测，采用这种方式虽然牺牲了速度，但检测的精度较高。比较有代表性的是Girshick等人提出的R-CNN（region-based convolutional networks）[10]和Fast R-CNN（fast region-based convolutional networks）[11]，以及Ren 等人提出的Faster R-CNN（faster region-based convolutional networks）[12]检测算法，均取得了很好的检测效果。

One-stage 类检测算法直接对不同区域的候选框尺度和长宽比进行预设，然后分类与回归，速度快，精度低。……