Brand Content Discovery 实验记录

只使用视频模态、文本模态数据的情况下：

一、最开始融入品牌学习的模块后，实验结果很差（训练集上loss下降很慢，到某一个值后几乎不变化，模型没学到什么有用的表示，验证集/测试集AUC均0.48左右）。当时考虑可能是以下几个原因造成：
1、品牌表示学习原论文中使用的学习率是1，而视觉-文本网络初始学习率是1e-4。怀疑两个模型学习率上的gap导致没有办法同时学的很好？多次调整初始lr，设置lr随epoch衰减幅度，没效果。
2、batch_size过小导致在训练时陷入局部最优？调大batch_size（128->256），没效果。
3、三元组loss中超参数margin的设置不当，导致每个品牌学到的表示不具有鉴别性？调整后训练，没效果。
4、实验中对品牌表示学习网络存在问题，升维让品牌表示难以学习？去掉升维操作，没效果。
5、怀疑视觉、文本模态其中某一个特征对最终的数据特征表示形成干扰？或者两个模态特征融合的方式不对？
实验中增设允许数据最终表示只使用单模态、调整模态的最终维度再拼接（比如假设视觉、文本可能不是同等重要的，那么设置最终视觉特征dim-2048，压缩文本的表示为dim-512），感觉双模态融合的方式效果要好一些？（待补实验认证）
视觉/文本模态特征融合时，不做简单的拼接，而是再增加一个FC层，涨点3%左右，AUC到0.51，可见还是很弱。
二、