隨著深度學習和人工智能技術的興起與技術成熟，一大批如Faster R-CNN、Retina Net、YOLO等可以在工業界使用的目標檢測算法已逐步成熟并進入實際應用，大多數場景下的目標檢測問題都能得到解決。

但其中弱小目標檢測性能差的問題仍十分顯著，并沒有出現較為有效的針對弱小目標檢測的技術手段和方法，使得弱小目標檢測的性能成為了制約整體檢測器性能的瓶頸。

弱小目標通常指圖像中像素面積小于32*32的物體，其檢測的核心難點主要有以下幾個方面：

1.目標本身像素面積?。簉gb信息少導致包含的判別性特征過少；

2.訓練用數據集不平衡：大多數開源數據集中弱小目標的占比少，存在較為嚴重的圖像級不平衡；

3.干擾情況嚴重：在有限的圖像數據中，小目標通常存在不同程度的遮擋、模糊、不完整現象，導致目標小的基礎上，還很難進行檢測；

4.大、小目標是相互影響的，算法過度關注小目標，則大目標可能因為缺少關注而損失性能。

為了解決這一難題，慧視光電的算法工程師們也絞盡了腦汁，最終給出了小目標識別算法的方案，其基本的解決思路是：

1、加強目標特征；

2、數據增廣；

3、放大輸入圖像；

4、使用高分辨率的特征；

5、設計合適的標簽分配方法，以讓小目標有更多的正樣本；

6、利用小目標所處的環境信息或者其他容易檢測的物體之間的關系來輔助小目標的檢測；

上述方法的共性都是要增加小目標的訓練樣本數量，放大圖像或特征使小目標變為大目標，增加小目標的正樣本數量。

經過不斷的測試驗證，慧視光電推出的小目標識別算法已經在RV1126、RK3588等圖像處理板上有著穩定的表現。

隨著目標識別算法和相關技術的不斷延伸發展，相信在不遠的未來會有突破性的研究和方法來解決這一工程落地中的實際難題。