一、文章地址
Augmentation for small object detection
二、文章内容提取
1.Abstract
（1）在目标检测领域小目标和大目标的检测效果有很大的差距。
（2）小目标生成的Anchor与ground truth之间的IoU较小，达不到IoU设定的阈值。
（3）数据集中存在小目标图像较少，总体的小目标数量也不太够。
（4）提出在对存在小目标的图像进行oversample，以及复制小目标黏贴到不同位置的方法。
（5）实例分割提升了9.7个点，目标检测提升了7.1个点（针对小目标）
2.Introduction
（1）图中的小目标定义的方式可以借鉴
（2）介绍小目标检测的现状——贼差（在COCO数据集上分析）
（3）介绍小目标检测的重要性：>1自动驾驶——交通指示牌，远处的车辆，路上的行人啥的；2>医疗图像——癌症的诊断；>3.工业缺陷检测；>4卫星图像分析。
（4）提出数据集中存在的问题：>1COCO中存在小目标的图像相当少——这使得模型检测时有偏差，对中目标和大目标有更好的表现；>2小目标所占得区域比较少——这使得小目标缺乏背景多样性
（5）提出方案：>1oversampling;>2copy-paste
（6）提升效果：如前文所述。
3.Related Work
（1）各种目标检测器存在的问题
两阶段检测器的各种变种优化，在最后的提议框那一块产生的BBox与GroundTruth 的IoU，在小目标上即使很小的偏差，也可能会达不到IoU阈值，从而是精度收到损失；
SSD的改进版本DSSD( Deconvolutional Single Shot Detector )通过在解码阶段进行转置卷积的方式进行上采样；
FPN使用decoder类型的子网络；
实例分割上介绍了：MNC、FCIS、Mask R-CNN。
（2）针对小目标的解决方式：
放大输入图片，或高层特征与底层特征融合——加大了计算量且未解决小目标数据不平衡的问题；
基于GAN的构建特征——在交通标志和行人检测的背景下，大小物体之间无法区分。
Anchor根据不同的分辨率的修改；—— Improving small object proposals
for company logo detection.
shift features移动特征的位置根据与ground truth的偏差——Small-objectness sensitive detection based on shifted
single shot detector.
context增加背景信息。
4.Identifying issues with detecting small objects
4.1 MS COCO
介绍COCO的相关内容——可借鉴在实验部分中的指标介绍
4.2 Mask R-CNN
该文是在Mask R-CNN的基础上做的实验——可借鉴在实验部分的模型训练参数介绍
4.3 Small object detection by Mask R-CNN on MS COCO
分析小目标的各种分布比列与中等目标与大目标做对比——可借鉴在数据分析部分。
最后还提出了损失函数对小目标的位置不准确时的不敏感问题，导致最后生成的小目标的框的个数和IoU都远远少于中目标和大目标
5.Oversampling and Augmentation
介绍了一些实验方法。
感想
我感觉这也能发论文吗，而且从他最后的实验结果来看， 对小目标也就提升了一个点，整体上的提升还不到0.5个点。不过论文中的一些东西可以借鉴到我的论文中吧。
