通俗点讲，就是将一张图片先进行等比例缩放到不同尺寸（实现1张图片变多张图片），再在缩放后的图片中随机裁剪出指定尺寸区域得到更多的图像。
就这样，实现了训练集的数据增强。
Q2：作用是什么？数据增强，有利于预防过拟合。
Q3：步骤是什么？步骤1：将原始图像缩放到不同尺寸S；
Q：S设为多大合适呢？（两种解决方法A1、A2）
S过小，裁剪到224x224的时候，就相当于几乎覆盖了整个图片，这样对原始图片进行不同的随机裁剪得到的图片就基本上没差别，就失去了增加数据集的意义；
S过大，，裁剪到的图片只含有目标的一小部分，也不是很好。
A1：单尺度训练（将S设为一个固定值）
论文评估了S=256和S=384两种单尺度模型；
A2：多尺度训练（将S设为一个区间\([S_{min}, S_{max}]\)）
论文随机从[256，512]的区间范围内进行抽样，这样原始图片尺寸不一，有利于训练，这个方法叫做尺度抖动（scale jittering），有利于训练集增强。
步骤2：从缩放后的图片随机裁剪224x224区域的图片；
步骤3：对裁剪后的图片进行水平翻转和随机RGB色差调整（改变训练图像中 RGB 通道的强度）；
2、测试测试阶段与训练阶段主要有两点不同：
对于测试集同样采用Multi-scale，将图像缩放到尺寸Q，但是Q可以≠训练尺度S；
将“FC全连接层”转换为“等效卷积层”
第一个FC层转为“7x7卷积层”；后两个FC层均转为“1x1卷积层”；
为什么要可以进行转换？
详见：https://cubox.pro/web/reader/ff8080817b380a78017b3811507404b4。
转换的作用是什么？
①可以实现与FC层同样的效果（即可以获得与FC层相同的输入输出）；
②去除了FC层必须要求“输入图像尺寸固定”的限制条件（详见：https://blog.csdn.net/qq_31347869/article/details/89484343）。
六、Classification Experiments 1、Single Scale Evaluation若S采用单尺度，设Q=S；若S采用多尺度，设\(Q=0.5(S_{min}+S_{max})\);
通过“A-LRN”证明，网络中加入LRN没什么用；
通过比较A-E的“top-1 val.error”和“top-5 val.error”发现，网络深度越深，训练性能越好，且深度达19层时，性能趋于饱和；
通过比较D和C，证明3x3卷积效果优于1x1卷积；
通过将“B”和“带有5x5卷积的浅层网络”，发现两个3x3卷积效果优于单个5x5卷积（即使二者具有等效的感受野）；
通过比较单尺度S和多尺度S，发现尺度抖动有利于训练集数据增强。
保持S为单尺度（\(S=256 or S=384\)），查看多尺度Q的性能（\(Q=\{S-32, S, S+32\}\)）；
令S为多尺度（\(S\in[S_{min}, S_{max}]\)），查看多尺度Q的性能（\(Q=\{ S_{min}, 0.5(S_{min}+S_{max}, S_{max}) \}\)）；
证明测试时的尺度抖动导致了更好的性能。
将“稠密\(ConvNet_{(即未进行多裁剪)}\)评估”与“多裁剪图像评估”进行比较；
通过平均其soft-max输出来评估两种评估技术的互补性；
证明了使用多裁剪图像表现比密集评估略好，而且这两种方法确实是互补的（因为它们的组合优于其中的每一种）。
查看多个卷积网络融合结果；
ILSVRC提交的是单规模网络；post-提交的是多规模网络；
表现最好的多尺度模型（配置D和E）的组合，它使用密集评估将测试误差降低到7.0％，使用密集评估和多裁剪图像评估将测试误差降低到6.8％。
VGGNet网络特点：
层数深（VGG拥有5段卷积，每段卷积内包含2-3个卷积层），同时每段尾部配有最大池化层，适用于大型数据集；
网络简洁，使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）贯穿整个网络架构；
采用“几个小滤波器（3x3）卷积层的串联组合”替代“一个大滤波器（5x5或7x7）卷积层”，效果更好；
训练和测试阶段都对数据集进行了Multi-scale将图片缩放并采样，实现了数据增强；
测试阶段将全连接层转换为等效卷积层，去除了FC层对输入图像尺寸的限制；
采用多GPU并行训练，每个GPU处理部分数据。