目标检测目前最困难的事情：
- 漏检：无法把前景检测出来，个人认为，最简单的加数据解决
- 误检：把背景检测为前景，也叫 开放域识别问题。非常困难的事情。有人基于度量学习解决。主要的问题是：收集的数据在一个封闭域，但是模型的部署需要到开放世界，就容易出现该问题。有人说，深度学习是学习的纹理，经过测试对于差不多颜色和形状的物体，容易误检。所以可能深度学习只有部署在一个给定场景下才可以获得好的效果。也就是模型训练的数据集和实际运行环境的数据要相似。
- 误分：目标确实是一个前景，但是误分类到别的类别。可能这个问题是由于训练集的类别不平衡问题导致的。也可能这些误分类别本来就难以分开，不同类别本就是耦合在一起的，只靠图像特征无法达到好的效果。也可能是检测定位和分类 head 的耦合导致分类器性能有限，或许可以另加分类器解决。
- 定位不准确：这个在实际训练中可能不是一个大的问题，只要标注给的准确，一般还是能定位准确的。
搜集的一些资料，有空详细读读
长尾分布问题即 类别不平衡问题。
从类别不平衡数据中学习无偏模型的问题通常被称为不平衡学习，在多类别场景下也被称为长尾学习。
包括：
- 正负样本不平衡
- 类别不平衡
...
参考资料：
https://www.zhihu.com/question/373862904
https://github.com/ZhiningLiu1998/awesome-imbalanced-learning/blob/master/README_CN.md
https://www.cvmart.net/community/detail/2122
https://blog.csdn.net/kuweicai/article/details/122256667
https://www.cnblogs.com/inchbyinch/p/12642760.html
https://zhuanlan.zhihu.com/p/60698060
https://zhuanlan.zhihu.com/p/60612064
https://blog.csdn.net/justsolow/article/details/105302606
https://zhuanlan.zhihu.com/p/422558527