前言
由于在实际项目应用中目标所在的位置会出现距离相机较远，而铁塔摄像头却不是经常使用较大的倍率焦距进行巡航，这个时候就会出现较小的目标时，我们在检测过程中会出现漏捡现象。
为了解决这一问题在这里提出了两种解决方案，但是在实际应用中我们往往采用方式2对数据进行处理。
- 修改网络结构感受野。这样的确是可以提高小目标的检测，但是却将网络偏向小目标检测上。
- 对数据进行缩小扩增，满足大目标的检测以及小目标的检测数据，在数据的整体分布上作出补充。
平铺扩增
在制作小目标数据集之前，我们肯定是会以原始数据集进行制作（假定我们的原始数据集图像大小为：1920x1080），这里以单张图像为例子进行思路流程讲解。
- 获取原始图像的size;
- 计算对原始图像的NewSize = size/3;
- 对原始图像进行resize处理（处理后的大小为NewSize）；
- COPY9份数据为后面组成3x3网格数据做准备；
- 对COPY的每份数据可以进行不改变目标位置处理（例如：亮度、噪声和滤波）；
- 拼接处理后的图像（拼接后的图像大小仍为size = (1920x1080))。
这样处理图像数据后我们不仅仅得到了小目标数据集，还对数据集进行了9倍的扩增同时也增加了数据的复杂度。
处理xml
- 读取xml文件；
- 解析xml中对应的img数据；
- 获取坐标并计算3x3网格中每一个目标的坐标；
- 对不同的坐标的label进行编写；
- 新建一个xml（同img名称）把数据写入。
拓展
（1）在模型设计方面，可以采用特征金字塔、沙漏结构等网络子结 构，来增强网络对多尺度尤其是小尺度特征的感知和处理能力；尽可能 提升网络的感受野，使得网络能够更多地利用上下文信息来增强检测效 果；同时减少网络总的下采样比例，使最后用于检测的特征分辨率更 高。
（2）在训练方面，可以提高小物体样本在总体样本中的比例；也可以 利用数据增强手段，将图像缩小以生成小物体样本。
（3）在计算量允许的范围内，可以尝试使用更大的输入图像尺寸。
