1. 小目标的特性
- 目标之间的交叠概率比较低，即使有交叠，其IoU多数情况下也是比较小的
- 小目标自身的纹理显著度有强弱区别，但是总体来说纹理特征都较弱，很多时候需要借助一定的图像上下文来帮助确认
2.小目标分类
3.从感受野切入，思考小目标检测backbone设计
基本认识：在不考虑宽度的情况下，网络深度越深，通常来说更有利于特征学习
一个不严谨的共识：在达到相同大小感受野的情况下，网络越深越好
二次加工以后的共识：在确保网络结构在各种资源消耗可行的前提下，达到相同大小感受野的情况下，网络越深越好
关注步长为2的卷积所在位置，它控制了达到某个大小感受野的网络深度
如果有多个步长为2的卷积，那么它越多，网络越浅
如果只有一个步长为2的卷积，那么它越靠前，网络越浅
面向小目标检测的backbone设计原则：
- 使用步长为2的卷积替代pooling操作进行下采样
- 避免使用步长超过2的卷积，比如步长为4的卷积
- 在两个步长为2的卷积之间，需要加入若干步长为1的卷积，这里可以是3x3的卷积也可以是1x1的卷积
- 达到预期感受野大小的前提下，尽可能让网络更深，但是要把握好各项资源消耗和精度的平衡，要具备可行性
