浙江大学 | 深度域自适应和小目标检测挑战、技术和数据集：调研

来源：专知
本文为论文，建议阅读5分钟 本文对域自适应目标检测(DDA-OD)和小目标检测(tiny OD)两大检测方向进行全面调研，详细介绍了代表性算法、涨点技术和相关数据集。

论文标题：

A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets

论文链接：

https://www.zhuanzhi.ai/paper/5194ee2a4d809028c15b2878ade5cb5a

作者单位：浙江大学

38页综述，共计567篇参考文献！本文对域自适应目标检测(DDA-OD)和小目标检测(tiny OD)两大检测方向进行全面调研，详细介绍了代表性算法、涨点技术和相关数据集。

本综述专门分析了基于计算机视觉的目标检测挑战和不同技术的解决方案。我们主要通过三种不同的趋势策略来强调目标检测，即，1）基于域自适应深度学习的方法（基于差异、基于对抗、基于重建、混合）。我们研究了一般和小目标检测相关的挑战，并通过历史和比较分析提供了解决方案。在第 2 部分）中，我们主要关注小目标检测技术（多尺度特征学习、数据增强、训练策略 (TS)、基于上下文的检测、基于 GAN 的检测）。在第 3 部分）中，为了获得知识性的发现，我们讨论了不同的对象检测方法，即卷积和卷积神经网络 (CNN)，以及具有趋势类型的池化操作。此外，我们在一些目标检测算法的帮助下解释了结果，即 R-CNN、Fast R-CNN、Faster R-CNN、YOLO 和 SSD，它们通常被认为是 CV、CNN 和 OD 的基础。我们对 MS-COCO、PASCAL VOC07,12 和 ImageNet 等不同数据集进行了比较分析，以分析结果并呈现结果。最后，我们展示了该领域现有挑战的未来方向。将来，可以分析 OD 方法和模型以进行实时目标检测、跟踪策略。

编辑：文婧