在测试阶段，使用single crop/multiple crop得到的结果是不一样的[0]，相当于将测试图像做数据增强。
一些技巧：
- 单纯将测试图像resize到某个尺度（例如256xN），选择其中centor crop（即图像正中间区域，比如224x224），作为CNN的输入，去评估该模型
- Multiple Crop的话具体形式有多种，可自行指定，比如：
- 10个crops: 取（左上，左下，右上，右下，正中）以及它们的水平翻转。这10个crops在CNN下的预测输出取平均作为最终预测结果。
- 144个crops：这个略复杂，以ImageNet为例：
- 首先将图像resize到4个尺度（比如256xN，320xN，384xN，480xN）
- 每个尺度上去取（最左，正中，最右）3个位置的正方形区域
- 对每个正方形区域，取上述的10个224x224的crops，则得到4x3x10=120个crops
- 对上述正方形区域直接resize到224x224，以及做水平翻转，则又得到4x3x2=24个crops
- 总共加起来得到120+24=144个crops，所有crops的预测输出的平均作为整个模型对当前测试图像的输出
Multi-crop at test time是数据扩充（Data augmentation）应用到图像测试时的一种手段。
以下图为例，把它复制四遍，包含两个镜像版本。
有一种叫作10-crop的技术（crop理解为裁剪的意思），基本意思是，假设取中心区域，裁剪图片后，通过分类器去运行，然后取左上角区域，运行分类器，右上角用绿色表示，左下方用黄色表示，右下方用橙色表示，分别通过分类器来运行，然后对镜像图像做同样的事情。即取中心的crop，然后取四个角落的crop，通过分类器来运行这十张图片，最后对结果进行平均。对于multi-crop，它不会占用太多的内存，但它仍然会让你的运行时间变慢。
参考：
https://blog.csdn.net/qq_38742161/article/details/87521280
https://www.zhihu.com/question/268494717/answer/356102226