我正在使用FCN（完全卷积网络）并尝试进行图像分割。训练时，有些地方贴错标签，但是进一步的训练并不能帮助他们消失。我相信这是因为网络了解了一些可能不完全正确的功能，但是由于有足够正确分类的示例，因此将其限制在局部最小值中并且无法解决。
我能想到的一种解决方案是训练一个时期，然后在训练图像上验证网络，然后调整不匹配部分的权重，以在下一个时期进一步惩罚不匹配。
直觉上，这对我来说很有意义-但我还没有找到关于此的任何文章。这是已知技术吗？如果是，它怎么称呼？如果没有，我会缺少什么（不利之处）？
最佳答案
首先，如果我了解得很好，您是否希望您的网络超出您的培训范围？因为这通常是您不希望发生的事情，因为这意味着在训练网络时发现了一些“规则”，可以使它在训练集上产生很好的效果，但也意味着它并没有得到能够一概而论，因此当您给它新的示例时，它的性能可能会很差。而且，您从不谈论任何测试集..您是否将数据集划分为训练/测试集？
其次，为了给您一些参考，对表现不好的地方进行更多处罚的想法让我想到了一种叫做“ AdaBoost”的东西（可能无关）。这个简短的视频可能会帮助您了解它是什么：
https://www.youtube.com/watch?v=sjtSo-YWCjc
希望能帮助到你
关于machine-learning - 在时期内，我是否应该针对错误分类的样本调整损失权重？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/44347666/