985小菜鸡

使用一种新颖的多尺度训练方法，相同的YOLOv2模型可以在不同的尺寸上运行。在速度和准确性之间提供了一个简单的权衡。提出了一种目标检测与分类联合训练的方法。使用该方法，作者在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。如何理解这句话？这句话来自YOLO9000论文的一个核心观点，讲的是YOLO9000模型如何利用联合训练（joint training）机制，使得模型能够预测那些没有标注检测数据的对象类别。在机器学习和计算机视觉中，标注数据是模型学习识别和理解图像的关键。

将灵活高效的训练工具与所提出的网络结构和复合缩放方法相结合。提出的方法将侧重于训练过程的优化。将重点研究一些优化模块和优化方法，这些模块和优化方法可以在不增加推理成本的情况下，增强训练成本以提高目标检测的准确性。称这些模块和优化方法为可训练的bag of freebies。Group Convolution（分组卷积）是一种特殊的卷积操作，用于减少计算量和参数数量，同时保持网络的表达能力。它是普通卷积的一种变体，在普通卷积中，每个输出特征图是通过将输入特征图与一组卷积核进行卷积得到的。

在深度学习和计算机视觉中，“parameter aggregation”这个术语不是一个标准术语，因此它可能会有不同的含义，取决于具体的上下文。在训练多个模型或者在不同时间点保存同一个模型的多个版本时，参数聚合可能指的是将这些不同模型的参数按照某种策略进行融合，以得到一个性能更优的模型。例如，在集成学习中，可能会通过平均或加权平均多个模型的参数来提高测试时的性能。在多任务学习中，参数聚合可能指的是共享层的参数需要在多个任务之间进行聚合，使得模型在训练过程中能够同时学习到多个任务的相关性能。

主要从别人那里获得好点子。我们还训练了一个新的分类器网络，

在深度学习和计算机视觉中，上采样层（Upsampling Layer）和下采样层（Downsampling Layer）是卷积神经网络中用于改变数据维度的层。