我正在使用 FCN(全卷积网络)并尝试进行图像分割。训练时，有些区域会被错误标记，但是进一步的训练并不能帮助它们消失。我相信这是因为网络学习到的一些特征可能不是完全正确的，但是因为有足够多的正确分类的例子，所以它陷入了局部最小值而无法摆脱。
我能想到的一个解决方案是训练一个纪元，然后在训练图像上验证网络，然后调整不匹配部分的权重，以在下一个纪元中对不匹配进行更多惩罚。
直觉上，这对我来说是有道理的 - 但我还没有找到任何关于此的文章。这是已知技术吗？如果有的话怎么称呼？如果不是，我错过了什么(有什么缺点)？
最佳答案
这很大程度上取决于您的网络结构。如果您使用原始 FCN，由于池化操作，对象边界上的分割性能会下降。对于图像分割，原始 FCN 有相当多的变体，尽管它们没有遵循您建议的路线。
这里仅举几个例子。一种方法是在 FCN 输出之上使用条件随机场 (CRF) 来细化分割。您可以搜索相关论文以了解更多信息。从某种意义上说，它与你的想法很接近，但不同的是CRF作为后处理方法与网络分离。
另一个非常有趣的作品是U-net。它采用了残差网络(RES-net)的一些思想，可以将较低级别的高分辨率特征集成到较高级别中，以实现更准确的分割。
这仍然是一个非常活跃的研究领域。所以你可能会用自己的想法带来下一个突破。谁知道!玩得开心!
关于machine-learning - 我应该在时期内针对错误分类的样本调整损失权重吗？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44347666/