小目标难检测原因
主要原因
（1）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。
（2）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，如果分类和回归操作在经过几层下采样处理的 特征层进行，小目标特征的感受野映射回原图将可能大于小目标在原图的尺寸，造成检测效果差。
其他原因
（1）小目标在原图中的数量较少，检测器提取的特征较少，导致小目标的检测效果差。
（2）神经网络在学习中被大目标主导，小目标在整个学习过程被忽视，导致导致小目标的检测效果差。
Tricks
（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。
