综述：小目标检测：挑战、技术与实际应用的综合调查

《Intelligent Systems with Applications》：Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications

这篇综述全面探讨了小目标检测（SOD）在计算机视觉领域的挑战与进展，重点分析了深度学习技术（如多尺度特征提取、超分辨率（SR）、注意力机制和Transformer架构）的应用，并总结了无人机（UAV）、医学成像等实际场景中的性能优化策略。

　　

小目标检测的定义与背景

小目标通常指图像中像素占比极低（如MS COCO标准下<32×32像素）或相对面积<1%的物体，其检测难点包括低分辨率、遮挡和背景干扰。在遥感、无人机影像中，小目标可能仅占20×20像素，而医学图像中的微钙化或早期肿瘤则因尺寸微小和特征稀疏难以识别。

核心挑战

1. 特征提取困难：小目标因像素信息有限，易受下采样影响，导致浅层网络丢失细节，深层网络语义信息不足。
2. 动态环境干扰：如无人机拍摄中的运动模糊或工业场景的复杂背景，降低了信噪比（SNR）。
3. 计算资源限制：实时检测需轻量化模型（如YOLOv8s优化版），但平衡精度与效率仍是难题。

技术突破

• 多尺度融合：特征金字塔网络（FPN）结合双向路径（如Bi-AFPN-P2）增强小目标特征传递。
• 注意力机制：通道-空间注意力模块（如CBAM）聚焦关键区域，抑制噪声。
• 数据增强：生成对抗网络（GAN）合成多样训练数据，解决样本不平衡问题。

应用场景

1. 无人机监测：VisDrone数据集中，改进模型mAP₅₀达56.82%，有效识别交通标志与行人。
2. 医学诊断：乳腺X光片中微肿瘤检测准确率提升至89.4%（自建数据集）。
3. 工业质检：PCB缺陷检测模型（如YOLOv5_ES）mAP₅₀达95.7%，减少人工巡检。

未来方向

• 轻量化设计：知识蒸馏（KD）压缩模型，适配边缘设备。
• 跨模态学习：融合红外与可见光数据提升恶劣环境下的鲁棒性。
• 实时优化：动态采样（如DySample）加速处理，满足自动驾驶毫秒级响应需求。

（注：全文基于2024-2025年Q1期刊文献，技术细节与数据均引自原文，无主观扩展。）