小目标检测的优化方法
哪些公司问过
答案要点
- 多尺度特征:FPN 等特征融合,或增加高分辨率的浅层检测头
- Anchor 与分配:k-means 聚类 anchor 尺寸或用 anchor-free,放宽阈值或自适应正样本分配(如 ATSS)
- 数据增强:小目标过采样、复制粘贴、mosaic、随机缩放
- 损失函数:Focal Loss 缓解前景背景不平衡,配合 IoU 类回归损失
- 推理:提高输入分辨率,切片推理(如 SAHI)后合并结果
易错点
- 只提高输入分辨率,不考虑显存和推理速度
- 沿用默认 anchor 不做适配,小目标几乎匹配不到正样本
- 复制粘贴增强不注意背景合理性,引入分布偏差
面试官常见追问
- Focal Loss 具体是怎么操作的?
- 切片推理有什么代价?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。