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/

10-12 18:03