《CVRP2019_Augmentation for small object detection》论文里面，使用copy-paste解决小目标
小目标的检测性能
一、定义小目标
上图是MS COCO中定义小目标、中目标、大目标的标准；
二、分析小目标检测性能低的原因
- 网络下采样导致小目标在特征层中很小：例如输入为640x640，backbone下采样为32，那么特征层的特征为20x20, 若小目标在输入层的大小为32x32，那么，在特征层位1x1的大小，一个像素，比32x32小的目标，在特征层中几乎消失；
- 小目标出现在少数图片中，例如MS COCO 中，训练集中的目标中41.43%是小目标，34.4%是中目标，24.2%是大目标，但是只有50%的图片中包含小目标，70%和80%图片中包含中目标和大目标；
- 小目标标注面积占比小，例如1.23%的标注像素属于小目标，10.18%是中目标，82.28%输入大目标；
- 和小目标匹配的正样本anchors数比较少：在基于anchor的目标检测中，anchor和目标IOU大于0.7时，认为该anchor为正样本，约29.96%的anchor与小目标匹配，约44.49%的anchor与大目标匹配；
三、提高小目标检测性能的措施
-
使用浅层特征：对应原因中的第一点，深层特征感受野宽，特征丰富，但是分辨率小，小目标在深层特征中几乎消失，因q此可以退而求其次，使用浅层目标；
-
Oversampling:包含小目标的图片进行过采样，采样率是可以调整的参数，论文中说，这是最简单直白的方式提升小目标检测性能的方式；
上图中的表格，可以说明，oversampling可以在一定程度上，提高小目标的性能。
-
Copy-paset: 将小目标从原始位置上复制出来，然后拷贝到图片的其他地方。这样可以增加图片中的小目标。这个工具需要考虑以下两点：1、粘贴的目标是否遮挡其他目标；2、是否模糊粘贴目标的边界；
copy-pase可以提升小目标的性能，但是多少有点损害大目标的性能。