A detecção de objetos pequenos é uma tarefa de identificar e localizar objetos de tamanho relativamente pequeno em imagens digitais. Esses objetos geralmente têm extensão espacial limitada e baixa cobertura de pixel e podem ser difíceis de detectar devido à sua aparência pequena e baixa relação sinal ruído.

Existem vários algoritmos de detecção de objetos, como Faster RCNN, YOLO, SSD, RetinaNet, EfficientDet. Atualmente em grande maioria dos casos, esses modelos são treinados no conjunto de dados COCO (Common Objects in Context). É um conjunto de dados de grande escala contendo uma ampla variedade de categorias e anotações de objetos, tornando-o popular para detectores de objetos de treinamento. No entanto, verifica-se que esses modelos não conseguem detectar objetos pequenos.

O campo receptivo refere-se à extensão espacial da imagem de entrada que influencia a saída de um determinado neurônio ou filtro em uma rede neural convolucional (CNN). Em detectores de objetos normais, o campo receptivo pode ser limitado, o que significa que a rede pode não ter uma compreensão suficiente das informações contextuais que envolvem objetos menores.

Hyperinferência auxiliada por fatiamento do projeto SAHI, um pipeline de ponta projetado especificamente para detecção de objetos pequenos. O SAHI aproveita o poder da inferência auxiliada por corte e das técnicas de ajuste fino, revolucionando a forma como os objetos são detectados. O que diferencia a detecção de objetos SAHI é sua integração perfeita com qualquer detector de objetos, eliminando a necessidade de ajustes tediosos. Essa inovação permite uma adoção rápida e sem esforço, sem comprometer o desempenho. Abaixo o paper sobre SAHI.

https://arxiv.org/abs/2202.06934

https://github.com/obss/sahi

Alguns Exemplos: