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%