本文研究了深度残差神经网络（ResNets）中的缩放因子（α）对泛化能力的影响。研究发现，当α是常数时，深度趋于无穷时，由残差神经切向核（RNTK）引起的函数类是不可学习的。然而，当α与深度L迅速减小时，使用深度RNTK进行早停止的核回归可以达到最小最大速率。模拟研究支持了对α选择的理论标准。

该文介绍了一种名为 Inner-IoU 损失函数的方法，通过辅助边界框计算 IoU 损失，加速了边界框回归过程，并提高了检测性能。该方法在不同数据集和检测器中引入缩放因子比例以控制辅助边界框的尺寸，经过模拟和比较实验证明了其有效性和普适性。