Copyright ?2013-2017 中國學術論文查重檢測系統入口 All Rights Reserved. 網站備案號：黔ICP備19012782號-3.
對小目標檢測展開研究將有助于推動目標檢測領域的發展，擴寬目標檢測在現實世界 的應用場景，提高中國的科技創新水平和加快中國全面步入智能化時代的步伐。 目標檢測作為計算機視覺的基礎研究，已有許多優秀的綜述發表。
基于上下文學習的方法充分利用了圖像中與目標相關的信息，能夠有效提升小目標檢測的性能。 但是，已有方法沒有考慮到場景中的上下文信息可能匱乏的問題，同時沒有針對性地利用場景中易于檢測的結果來輔助小目標的檢測。 鑒于此，未來的研究方向可以從以下兩個角度出發考慮：（1）構建基于類別語義池的上下文記憶模型，通過利用歷史記憶的上下文來緩解當前圖像中上下文信息匱乏的問題；（2）基于圖推理的小目標檢測，通過圖模型和目標檢測模型的結合來針對性地提升小目標的檢測性能。 生成對抗學習的方法旨在通過將低分辨率小目標的特征映射成與高分辨率目標等價的特征，從而達到與尺寸較大目標同等的檢測性能。
一共搜集了65篇2D目標檢測論文，涉及：通用目標檢測、旋轉目標檢測、Few-shot/自監督/半監督/無監督目標檢測等方向。 最新！ CVPR 2021 視覺Transformer論文大盤點（43篇）
最后本文對小目標檢測技術的未來發展方向進行了展望。 目標檢測是計算機視覺領域中的一個重要研究方向，也是其他復雜視覺任務的基礎。 作為圖像理 解和計算機視覺的基石，目標檢測是解決分割、場景理解、目標跟蹤、圖像描述和事件檢測等更高層次 視覺任務的基礎。 小目標檢測長期以來是目標檢測中的一個難點，其旨在精準檢測出圖像中可視化特 征極少的小目標（32 像素×32 像素以下的目標）。 在現實場景中，由于小目標是的大量存在，因此小目 標檢測具有廣泛的應用前景，在自動駕駛、智慧醫療、缺陷檢測和航拍圖像分析等諸多領域發揮著重要 作用。 近年來，深度學習技術的快速發展為小目標檢測注入了新鮮血液，使其成為研究熱點。