在检测上面临的第二个挑战是对训练一个大型的CNN网络而言，标签数据的稀缺和当前可用数据量的不充足。传统的方法是用无监督预训练，紧接着监督微调。这篇论文第二个主要的贡献是在一个巨大的辅助训练集(ILSVRC)做监督预训练，紧接着在小数据集(PASCAL)做特定领域的微调，这是一个学习高性能CNNs网络的非常高效的模式，当我们的数据稀缺的时候。在我们的实验中，微调在检测过程中，提高了平均精度mAP八个百分点。在VOC2010的数据集上，相比于高度调整的以HOG特征为基础的可变形部件模型（DPM）的方法获得的33%的平均精度（mAP），，在微调后，我们的系统可以达到54% 的平均精度（mAP）。我们也给读者指出了同时期的Donahue等人的工作，他们指出Krizhevsky’s的CNN（不带微调）像一个特征提取的黑箱一样也可以被使用，它在几个识别任务上也产生了不错的性能包括：情景分类，细粒度的子分类和域的适应性。
没有行囊，没有目的，我孤独的走在路上，
