一种简单的利用方式是将Mega Detector预测的BBox 裁剪出来，同原图一起送给网络进行训练，这样可以有效环节ROI 尺寸过小的问题。   不过这种方案的缺陷在于，如此训练分类网络，会使得网络获得两个scale完全不同的输入，一个是原图，一个是BBox裁剪出的图像，这会对分类网络学习特征带来一定的干扰。

为此，团队修改了策略，同时训练两个网络。分别输入原始图像，和Mega detector裁剪出的置信度最高的bbox图像。 在预测阶段，再将网络的输出进行Ensemble，从而可以同时捕捉到原图全局的信息和BBox中前景的信息。  挑战二：不同背景造成的问题 除过ROI 储存过小之外，另一个问题是训练集的camera trap 取景位置和测试集的camera trap 不相交所导致的背景差异问题。

训练集图片均来自于蓝色点表示的区域，它和红色区域没有相交。   因此这会造成domain shift的问题。即在训练地表现好的模型并不一定也会在test地有同样表现。因为模型有可能学到一些和location相关的信息，而它们不是可以用于分类动物的通用信息。   此外，与正常的domain adaptation不同，iWildCam 的训练集包括很多不同domain（如果将每个camera trap地点作为一个domain，则训练集包含441个，而测试集包含111个）。  因此，如果能利用训练集中的位置标注来帮助网络学习location invariant的特征，那么网络就可捕捉更多与位置无关而和分类相关的信息。   对此，domain adaptation领域非常著名的论文Unsupervised domain adaption by backpropagation为团队提供了启发。

如上图首先可以假设，如果在原来的2048维上加一个额外位置（location）的classifier，那么网络提取的特征就会倾向于将不同location的特征相互推远。如上方右图所示（不同形状表示不同类别，不同颜色表示不同），虽然每个类别的特征之间有分类的可分性约束，但是location之间的相互排斥也会导致一些location图片的特征被推到一个不太有利于分类的局面，从而导致网络学到的特征并不能实现location invariant，从而在测试集上表现欠佳。   对此，文章提出一个非常简单的梯度翻转的技巧来实现location invariant。

如上方左图所示，在梯度反传经过location classifier时将梯度乘－1，从而实现翻转梯度的方向。 

因此在右图可以看到，原本的推开不同location之间特征的梯度经过翻转后，会将其一起拉近。在加上分类的约束后，可以保证网络学到的特征表示实现location invariant，并且还能保证分类的效果，提高网络对之前未见的location的泛化性能。   挑战三：数据长尾分布

上方指数图展示的是数据的分布情况，可以看到数目最多的类别有超过十万张图，而最少的类别可能只有不到十张图片，一般而言，将类别数多的类别称为head类，类别数少的类别称为tail类 。  因此，如果直接随机采样batch来训练分类模型，会见到很多head类样本，而tail类样本则很少见到，这样会使得模型更偏向于预测head类而不是tail类，从而损伤网络的表示能力。  因此，对于长尾分布，一般有两种解决方案，一种是Re－Sampling， 另外一种是Re－ Weighting。