Factors in Finetuning Deep Model for Object Detection with Long-tail Distribution解读

微调已经在很多视觉任务上都有一个state-of-art的performance，比如说追踪，分割，物体检测，动作识别等等。但是不同的微调方法对结果也是不一样的，这篇论文主要探索了物体检测上微调中对performance的影响因素。经验和分析结果都告诉我们有更多样本的类对feature learning的影响是更大的，因此最好是能够把样本分布均匀。提出一种层级的feature learning 方法，在GoogLeNet上进行了微调，在物体检测上有4.7%map的提升。

Introduction

在对物体检测做微调时，作者观察到两个现象。

一是长尾属性。长尾现象意思是小部分的物体类别的样本量很大，但是大部分的类样本量却很小，如下图，

ImageNet Classification数据集还是比较好的，基本上类别的数据量都差不多大，但是在PASCAL VOC和ImageNet Detection数据集上，长尾现象确实很