笔者吐槽，原来一个月没更新没看论文了。
来源
NIPS2014的一篇：http://www.eecs.berkeley.edu/~jhoffman/papers/adaptdet-submission_7-15-14.pdf
动机
如上图，动机简单来说是，物体的用来做cls的label易得，而用来做det的bbox不易得。
于是，我们能否找到一种方法，将一些有bbox信息的类的det功能transfer到另外一些没有给出bbox的类呢？
作者说可以：如果我们有一些类别，是同时知道它们的label和bbox的，那么能够找到一个方法，让另外一些没有给出bbox但给出了label的类，也能训练出一个不错的detector。
方法简述
如上图。上面所说的有label也有bbox的集合称为B（图中绿色的部分），只有label而没有bbox的类为A类（图中的蓝色部分）
过程大致分成a) b) c)三步，依次解释：
- a) 首先用AlexNet和Imagenet的120w图片训练一个用于做cls的1k路softmax分类器。然后摘掉softmax，换成multinomial logistic regression，重新finetuning。（由于这一步做的是cls，这里对A，B都做）
- b) 然后只考虑B，用RCNN框架再次tuning出适合det的一个网络，注意到这里也是添加了一个背景类（红色部分）
- c) 之后将A接回来就好了（。。。就是那么粗暴），中间黄色的部分代表某种变换，下面会说，但其实起到的作用不大。
效果
如果直接用a)的cls，mAP大概是10.3%，如果经过b)和c)后，提高到15.85。加了黄色的变换，提高了一点，到15.97，所以其实没啥作用。下面解释下黄色变换部分是什么。
黄色的adapt部分
其实只是加了一种假设，就是A中的变化跟B应该是类似的。
于是作者加了一个最近邻思想的微调：
- 对于A中某个类，找出B中跟他最相似的N个类（这里的相似用fc7特征的l2距离衡量）
- 算出这N个类在a)和b)之间的变化，求平均
- 给A的那个类也加上这个平均。
用公式表示就是下面这个。
总结
笔者感觉这个方法很暴力啊。。。。也就是认为了用det信息来finetuning之后，之前的层次就具有了det的能力？感觉略牵强。
