论文：An Analysis of Scale Invariance in Object Detection – SNIP
论文链接：
https://arxiv.org/abs/1711.08189
代码链接：
http://bit.ly/2yXVg4c
这篇是
CVPR2018
的文章，引用文献非常到位，同时实验结果非常惊艳，总体来看比同是CVPR2018上的cascade RCNN效果还要好一些。
概括而言，这篇文章从COCO数据集开始分析，认为目前目标检测算法的难点在于数据集中object的尺寸分布较大，尤其对于小目标的检测效果也有待提高，因此提出Scale Normalization for Image Pyramids (SNIP)
算法来解决这个问题。
先来看看这篇文章的出发点
。这篇文章的出发点可以简单概括为：
数据集
。作者发现如果将数据集按照图像中object的尺寸（scale）除以图像尺寸的倍数来排序，那么在ImageNet数据集中，这个倍数的中位数差不多是0.554倍，而在COCO数据集中，这个倍数是0.106倍，如Figure1中两条线标出的Median点所示。Figure1是关于ImageNet和COCO数据集中object尺寸和图像尺寸的倍数关系曲线，横坐标表示object的尺寸/图像尺寸的值，纵坐标表示占比。
也就是说在COCO数据集中，大部分的object面积只有图像面积的1%以下，这说明在COCO数据集中小目标占比要比ImageNet数据集大
。另外&#x