Fixing the train-test resolution discrepancy 文章解读总结

    《Fixing the train-test resolution discrepancy》是最近在Imagenet上分类最好的算法模型，文章主要是针对训练的策略和预处理方式进行了改进。

     具体的实现方法是用小分辨率的图片训练模型，之后用稍大的分辨率的图片微调模型。

    图像分类的预处理，首先对图片进行裁剪，裁剪后对图片Resize后送入模型进行训练，而裁剪不同分辨率的图片块会对模型产生很大的影响，在训练和微调时作者采用不同的处理方式，训练阶段作者采用RandomResizedCrop,微调时采用CenterCrop；

   微调只训练模型的全连接层；

  具体实验过程：

  训练阶段 ：图像增强方式：horizontal flip，random resized Crop， color jittering；

  微调阶段： 图像增强方式是把数据分为三部分进行增强：

1. 第一部分是把测试图片resizing后center Crop；
2. 第二部分是把测试图片Resize后，random horizontal shift of the center crop, horizontal flip and color jittering;
3.  第三部分是训练时增强后的训练数据直接拿过来 

   文章中作者也提到为增加准确率，作者对几种分类模型的结果取平均来分类预测；

  这是我基本上get到的信息，文章中对图片不同分辨率对模型的影响进行了细致的阐述，感兴趣的可以直接阅读原文。