计算机视觉在识别大图中的小目标时，通常会采用一种名为"滑动窗口"的方法，以下是基本步骤：
1.**预处理**：对图像进行恰当的预处理，如归一化和尺度变换等，使得图像适合用于后续的特征提取和分类。
2.**构建滑动窗口**：这个滑动窗口（也可以理解为一个局部区域）按照一定步长在图像上移动，每次移动都会产生一个子图像。这个窗口的大小可能需要根据你希望检测的目标大小来设置。
3.
4.**分类**：将提取出的特征通过另外一个已训练好的分类器进行分类，以判断该子图像中是否包含目标物体。
5.**非极大值抑制**：由于滑动窗口会有重叠部分，因此多个窗口可能都检测到同一个目标，造成冗余。非极大值抑制(NMS)可以消除这种冗余，确保每个目标只被检测一次。
这种方法的一个缺点是计算复杂度很高，因为它需要在多个尺度和位置上对整个图像进行搜索和分类。
另一个策略是采用基于区域的卷积神经网络(R-CNN)以及其改进版本（FastR-CNN、FasterR-CNN等）。这些模型通过生成大量候选框（regionproposals）并判定是否含有目标物体来识别小物体。使用这类方法可以显著提高目标检测的准确性和速度。
最后，无论选择哪种策略，提前对模型进行充分训练都是非常关键的，包括数据增强，如旋转、翻转和缩放等，以使模型具备更好的泛化能力，并能有效地识别小目标。