目标检测是计算机视觉任务中的一个重要分支,目标检测的任务是对光学图像或者视频中的物体进行识别和定位,换句话说就是需要标明物体的类别并且要框出物体的位置。因为目标检测要应用于生活场景或者一些比较复杂的场景,所以这时就需要使目标检测算法具有实时性和准确性,就是能快速检测出目标并正确定位和分类。随着人工智能技术的发展,深度学习在目标检测领域用的越来越广泛,人们的生产和生活也到处都有目标检测的应用。例如无人驾驶汽车,人脸识别系统,视频监控录像以及医学图像中病变组织的检测,这些设备中都会用到目标检测,所以目标检测算法的研究越来越受到重视,随着目标检测技术的进步,人们的生活也更加方便快捷。小目标检测的准确性一直是目标检测中的难题。小目标的漏检率和精确定位是限制当前小目标检测系统的两个关键因素。论文提出了一种新颖的二阶段检测方法称为MLR-SODNet（Multipoint Local Regression-Small Object Detection Network）,可以同时解决小目标漏检和精确定位问题。对于漏检的目标,论文提出了一种名为SODNet（Small Object Detection Network）的新型主干网络,该主干网络设计了新颖的卷积层,以在传统主干网的较深层中保持较高的空间分辨率和较大的感受野并进行图像分类。为了进行精确定位,论文提出了一个新的边框回归方式,称为MLR（Multiple Local Regression）,也称多点局部回归。论文利用这个模块来预测多个边界框偏移量,并将多个偏移量取平均值以得出预测框的最终偏移量。此外,还向整个网络中添加T-Io U（Twice-Intersection over Union）预测分支,在推理阶段,为消除Ro I（Region of Interest）的特征偏移,会预测两次Io U的值,并将最后一次的Io U值与分类置信度相乘作为筛选预测框的指标,从而获得更准确的局部边界框。在MS COCO上进行的实验表明,MLR-SODNet可高效实现最新的检测精度。在MS COCO test-dev上,MLR-SODNet的性能优于现有的二阶段方法。小目标的平均准确率（APS）比原方法增加了1.9%,中目标的平均准确率（APM）增加了3.6%,大目标的平均准确率（APL）增加了5.8%。