小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理，导致小目标在特征图的尺寸基本上只有个位数的像素大小，导致设计的目标检测分类器对小目标的分类效果差。
（1） data-augmentation.简单粗暴，比如将图像放大，利用 image pyramid多尺度检测，最后将检测结果融合.缺点是操作复杂，计算量大，实际情况中不实用; （2） 特征融合方法：FPN这些，多尺度feature map预测，feature stride可以从更小的开始; （3）合适的训练方法：CVPR2018的SNIP以及SNIPER; （4）设置更小更稠密的anchor，设计anchor match strategy等，参考S3FD; （5）利用GAN将小物体放大再检测，CVPR2018有这样的论文; （6）利用context信息，简历object和context的联系，比如relation network; （7）有密集遮挡，如何把location 和Classification 做的更好，参考IoU loss, repulsion loss等. （8）卷积神经网络设计时尽量度采用步长为1，尽可能保留多的目标特征。 以上部分内容摘自这里
