【 深度学习 ----论文解读 】（2019）Fixing the train-test resolution discrepancy

然后，我们提出了一种简单而有效且高效的策略，以便在train和测试分辨率不同时优化分类器性能。它只涉及在测试分辨率下计算上廉价的网络调整。这样可以使用小型训练图像训练强大的分类。例如，我们在ImageNet上获得77.1％的前1精度，其中ResNet-50在128×128图像上训练，79.8％在224×224图像上训练。此外，如果我们使用额外的训练数据，我们使用ResNet-50train获得82.5％的224×224图像。

相反，当训练以弱监督方式预训练的ResNeXt-101 32x48d，分辨率为224×224的940万张公共图像，并进一步优化测试分辨率为320×320时，我们获得了86.4％的测试top-1精度（top -5：98.0％）（single-crop）。据我们所知，这是迄今为止最高的ImageNet（single crop），top-1 acc和top-5 acc。
实验结果：
训练集上使用了224*224尺寸图片，测试集上采用了不同的尺寸。最终结果如下所示。实验表明，测试集分辨率大于训练集中分辨率时候，效果有提高

实验结果显示当采用test稍微比train输入图片大一些时候，结果可以有1-2%的提高。

【注意】

1. 测试集上图片不是越大越好。
2. 这样做效果更好的原因是在相同的环境下，训练时候输入尺寸小，可以增加batch size