目标检测是计算机视觉领域中最基础的任务之一,包含分类与定位两大技术难题。近年来,深度学习和卷积神经网络技术的快速发展,更是将目标检测的性能推向了一个新高度。但小目标的检测依旧面临巨大挑战。论文针对小目标检测中特征和内容表示不充分的问题,分别从特征尺度和内容维度提出优化方案,提升小目标的检测性能。小目标检测的质量依赖于图像特征图的提取和高层语义信息的处理。针对Faster R-CNN,论文提出了特征尺度融合和特征尺度增强优化结构。其中,特征尺度融合模块通过通道数叠加的方式实现了不同尺度特征层的融合,并且采用的超像素卷积并不会引入计算量。基于多尺度感受野和通道注意力的特征尺度增强模块确保了特征图的稳健,有效的解决了小目标经过卷积网络后特征表达不足的问题。实验证明,所提出的方法对小目标检测任务具备优异性能。小目标检测的质量还依赖于目标内容的分布。论文首先引入清洁度概念,并采用GHM Loss的思想改进损失函数,不仅改善了 RPN网络中正负样本不均衡的问题,而且还能大大缩小简单样本与困难样本在数量上的巨大差距。然后提出了小目标数据增强算法,包括基于旋转的数据集增强策略和基于掩膜的小目标实例增强策略。不仅使得数据集和目标实例得到扩充,而且保证训练样本有一定区别。实验证明,优化后的算法能够大幅度提升小目标的检测性能。