COCO with PASCAL VOC:ASCAL VOC和COCO数据集混合以验证有效性，从表5可以看出，COCO数据集保持了性能，而PASCAL VOC数据集的性能更好，在跨数据集场景中，受益于COCO数据集引入。上述实验证明了该方法的有效性。
跨数据集训练，我们可以利用现有数据集检测更多类，而无需额外标记所有不同数据集中的类。
4.2.3 消融实验
合并语义相同的类对于跨数据集训练的必要性？在我们的交叉数据集训练集中，具有相同语义的类，例如作为人和行人在训练期间被结合。我们进行是否合并相似的不同实验以验证该策略的有效性。表4中我们的PED结果可以提高约0.5。如果我们不合并那些相似的类别，它们相互排斥，可能会混淆分类任务训练。
anchor尺寸如何影响交叉数据集训练结果？在本实验中，我们探索了不同anchor尺度对交叉数据集训练的影响。每个检测任务都有特定的anchor尺寸。人脸和行人检测任务需要较小的anchor尺寸，COCO 检测任务需要更大anchor尺寸来检测各种目标。为了更公平地比较实验结果，我们在单个数据集上以及跨数据集训练保持anchor比例和比率相同。表4显示了交叉数据集当我们使用相同的anchor时，可以保持性能。
交叉数据集的主干有多重要？训练在两个不同的骨干网络上进行实验，即ResNet-50和MobileNetV2，以说明我们的跨数据集训练方法之所以有效，不是因为冗余参数，对于这两个数据集，当我们使用交叉数据集训练选择较小的骨干。从表6可以看出，对于两个（ResNet-50）和MobileNetV2）网络，提出的跨数据集训练设置不会破坏两个数据集的性能，表明我们的方案是一种通用解决方案，不依赖于网络冗余。
5 应用
跨数据集训练是一个一般概念，如何使用它来合并训练多个数据集，当数据具有新类，现有数据不需要再次标记，该方法可以扩展到其他应用，跨数据集训练可以推广到训练单个模型。例如，360度（平面内旋转）支持是人脸检测中一个困难的问题，只有使用数据增强才能很好地解决这个问题，但使用交叉数据集训练，可以在数据增强期间添加方向监测，不同的方向可以被视为不同的类别，训练后的模型可以360度检测人脸并预测面部方向。
6 结论
在本文中，介绍了跨数据集训练目标检测。它旨在联合训练多个数据集与不同的对象类绑定，使用标签映射和交叉数据集分类的方案在各种流行数据集上进行实验证明了我们方法的有效性，交叉数据集训练，使用单个模型合并多个数据集，没有精度损失。在三种情况下使用这种通用训练方法：1）利用现有对象检测数据集，2）工业应用通常面临越来越多的类别，3）数据集增加新的类别。
总结
方法简单而有效，适用于样本已经足够的情况，如果样本较少，直接屏蔽交叉数据集的负样本会导致大量的负样本被屏蔽，不参与学习，导致样本学习不足，影响性能
