小目标检测是目标检测领域一个颇具挑战性的分支,因图像分辨率较低或在空间上占据的像素数较少,这些目标的定位和分类的难度都大大增加了。在自动驾驶,视频监控,航拍等实际应用中,小目标在总的目标中占据大多数,这使得在主流目标检测数据集训练的模型在应用过程中,会存在域迁移的问题,导致较大的偏差。此外,由于以上领域对目标检测实时性的要求较高,出于速度和精度的折衷,多使用单阶段目标检测器。本文旨在提出具有可移植性的提升单阶段目标检测器的模块化方法,提升这些模型对于小目标的检测能力。本文探索了基于单阶段网络的小目标检测问题,在主流的单阶段检测网络Retina Net的基础上进行了研究。小目标检测的难点在于,需要高的空间分辨率来获得细粒度特征,同时也需要生成高质量的候选边界框。此文提出了几种创新的模块化改良方法,针对性地解决以上难题,增强了单阶段目标检测器Retina Net对于小目标的检测能力。我们将论文的贡献总结如下:第一点,在残差网络中增加了空洞卷积,在增大感受野的同时保留了图像细节,有利于小目标的判别与分类。第二点,提出了一种创新的特征融合方法,可以直接融合语义信息与低层特征。第三点,用ASL1损失函数作为边界框回归损失,这提升了原点附近损失函数的梯度,可以生成更高质量的候选边界框。在小目标数据集MOCOD进行验证,m AP相比原来获得了5.1的大幅提升。我们提出的方法可以很容易地迁移到其他具有特征金字塔结构的骨干网络,来增强它们检测小目标的能力。