【神经网络实践】tentorflow上的多目标识别（5，完）

前言：

{

    经过这么久，这一系列终于结束了。

}

 

正文：

{

    网络的特征提取部分被我换成了inceptionV3。用分类训练好的pnasnet进行单目标分类的效果还不错，但是用于多目标检测时却学不到东西（可能是此网络过于复杂，特征到最后都被混淆到了一起）。

    我做了以下实验：

    1，VOC2012分类 + pnasnet + 自定义归一化 + 双补偿方差损失 = 网络学不到东西

    2，floscular images + inceptionV3 + 自定义归一化 + 双补偿方差损失 = 快速拟合到80%的正确率

    3，VOC2012分类 + inceptionV3 + 自定义归一化 + 双补偿方差损失 = 正确率最高到96%，但输出的第0位容易出1

    4，VOC2012分类 + inceptionV3 + 自定义归一化 + 新双补偿方差损失 + batch_size=64 = 200次迭代后正确率在85%左右

    5，VOC2012分类 + inceptionV3 + 自定义归一化 + 无补偿方差损失 = 正确率快速升高，但正确率到90%后就很难再升高

    6，VOC2012分类 + inceptionV3 + 自定义归一化 + 无补偿方差损失 + 学习率=0.1 = （最优）在接近200次迭代时出现“顿悟”，之后正确率大多在95%以上，最高到达97%