首先，在目标檢測的發展過程中，小物體的檢測精度相較于中大物體要低。無論是相對定義還是絕對定義，歸根結底小物體在圖像中的像素都很小、分辨率低以及缺少特征資訊。小目标檢測精度較低的幾點原因如下：
（1）缺乏特征資訊。由于小物體的像素較少，而在如今深度的神經網絡下，會經過幾十上百次的卷積池化操作，下采樣能夠減少計算量、擴大感受野，生成圖像對應的縮略圖，但會使小目标的資訊大量丢失，使得在特征圖中小目标的資訊越來越少。
（2）神經網絡在前向傳播中資訊丢失。在進行前向傳播過程中，特征圖的語義資訊越來越強，而位置資訊逐漸丢失，這使得難以定位目标位置坐标。
（3）資料集中樣本數量分布不均。如果在訓練集中小目标的數量與大、中目标分布不均會導緻網絡在學習中對不同大小的目标适應力低，導緻檢測精度的降低。在COCO 資料集中，同時含有大中小三種尺寸目标的圖檔占總樣本的52.3%，其中大、中目标與小目标的占比分别為70.7%與83.0%，樣本的合理配置設定使得COCO 資料內建為了小目标檢測的常用資料集。獲得合适的資料集在應用中也是一大難點。
（4）先驗框的設定。由于檢測物體的大小以及寬高多變，使得設定的先驗框難以比對實際情況。現有的方法通過設定多組先驗框或者根據訓練資料集計算出錨框，但在檢測未經訓練的目标時，泛化能力欠佳。
（5）損失函數欠妥。在深度學習模型中，使用損失函數來進行梯度下降進而優化模型參數。選擇一個合适的損失函數就顯得尤為總要。現有的算法中IoU 作為損失函數中重要的一部分，其決定了在檢測中對物體定位的準确度，然而小目标相較于大、中目标而言，IoU 的敏感程度不同。
其次，一些通用小目标檢測方法對比如下：
多尺度特征方法
主要内容：融合低層特征圖的細節資訊與高層特征圖的語義資訊
優點：高分辨率與高語義資訊的融合，減少了資訊的丢失
局限性：特征融合結構的複雜性使得計算量上升
SIOU方法
主要内容：将預測框與真實框的角度納入損失函數
優點：加快網絡的收斂速度
局限性：檢測效果依賴資料集
NWD方法
主要内容：利用提出的方法來度量預測框與真實框二維高斯分布的相似性
優點：無論目标之間是否重疊均能夠度量其相似性，且對尺度不敏感
局限性：計算複雜度提高，網絡收斂時間變長
RFLA方法
主要内容：先計算預測框與真實框二維高斯分布的距離，再通過分數排名為小目标配置設定标簽
優點：解決了微小目标标簽配置設定存在的尺度樣本不平衡問題
局限性：計算複雜度提高，網絡收斂時間變長
Perceptual GAN
主要内容：通過增強小目标的特征，減小大目标與小目标間的特征差異
優點：首次将GAN 用于小目标檢測任務，減小了目标間的特征差異
局限性：缺乏直接監督信号。
MTGAN
主要内容：對小且模糊圖像進行重建，恢複細節資訊
優點：提高了圖像的細節資訊
局限性：經過了兩次特征提取，計算量大
Towards Precise Supervision of Feature Super-Resolution for Small Object Detection
主要内容：通過低分辨率特征生成高分辨率特征
優點：提高了特征圖的細節資訊以及分辨率
局限性：重建過程耗時長，檢測速度慢
QueryDet
主要内容：采用級聯稀疏查詢機制，根據預估的小目标粗略位置來引導高分辨率特征計算準确結果
優點：保證高分辨率的同時提高了網絡檢測效率與速度
局限性：會存在小目标無法定位的問題
SAHI
主要内容：通過将圖像切塊并放大，在每一個塊中檢測小目标，并與原圖中較大目标的檢測結果合并為最終結果
優點：将小目标檢測問題轉為了中大目标的檢測，提升了檢測精度
局限性：由于在處理一張圖檔時會額外推理每一個塊，導緻檢測速度下降
其他方法
Augmentation for small object detection
MRAE
特定領域下的小目标檢測方法
