样本失衡困扰目标检测任务良久,目标检测任务中的样本失衡包含了正负样本失衡、难易样本失衡、小目标与大、中目标失衡等。目前,针对正负样本失衡和难易样本失衡,诸多目标检测任务已经做了很好的实践,例如Faster RCNN的RPN结构、Retina Net的Focal Loss从不同角度降低了正负样本失衡和难易样本失衡的影响。小目标在训练总样本中的占比小,导致了小目标与大、中目标间的损失失衡,使得检测模型忽视小目标的训练,小目标的检测性能的降低弱化了检测模型的整体性能。此外,小目标特征少、细节模糊、背景复杂等因素,进一步降低了小目标的检测效果。Faster RCNN、Retina Net的工作仅触及正负样本失衡和难易样本失衡问题,并没有探究小目标的改善方法。本文在Focal Loss基础上,对Retina Net检测框架两种应用场景（道路目标检测、人脸检测）中的小目标问题,提出了有效的改进方案,提升了检测模型的整体性能。文章的主要工作如下:1、在道路目标检测场景下,从目标检测任务中出现的小目标与大、中目标训练损失失衡问题出发,提出一种基于自适应平衡损失（Adaptive Balancing Loss;ABL）的Retina Net目标检测方法,该方法能够增大小目标损失在总训练损失中的比重,使得Retina Net训练的方向往小目标倾斜,更加关注小目标的训练。经实验对比,损失自平衡的Retina Net-ABL对KITTI数据集的平均精度均值MAP得到明显提升,并且对数据集中各类的检测性能都得到了不同程度的提升。2、针对人脸检测中小型人脸易漏检以及人脸检测算法模型大、推理慢的问题,提出轻量级人脸检测模型GFace。首先利用Ghost Moudle和深度可分离卷积参数压缩和加速的优势,结合注意力模块Lambda Layer,提出具有上下文学习能力的Ghost bottleneck-v2结构,进而设计出轻型主干特征提取网络Ghost Net-L。之后在Retina Face架构下,结合可变形卷积DCNv2优秀的小目标拟合能力,设计出轻量级人脸检测模型GFace,最后借助自适应平衡目标训练损失的方法,实现了人脸检测模型轻量化、近实时、精确度的并存。