超级会员免费看
本文探讨了在人脸识别中遇到的loss问题及解决方案。通过调整学习率和特征大小，优化网络结构如PeleeNet，以及针对不同异常情况调整loss系数，如增大正样本loss权重以应对样本不平衡问题。此外，提出通过减小正样本间距离来缓解负样本loss过大的问题。
学习率：开始的学习率0.1
前面放大的深层特征，后面放小特征，
大特征，轮廓，后面放小特征，鼻子，研究，耳朵之类的
异常1：map很小，如果距离很小
说明政府样本混在一起，么有区分开，
哪边loss大，说明没有收敛好，应该加大loss系数
哪边loss小，说明收敛好，不应该加大loss系数
异常2：距离比较大， 但是不收敛
哪边收敛不好，哪边loss加大
异常3：长期相持不下，loss都比较小，准确率不涨
微加pos系数，正样本偏少，loss偏弱
loss改进,分级加强，没法用bceloss
网络改进，比如参考peleenet
网络通道应该逐渐变多，需要区分10万，百万。
开始的时候合适距离是1.38，后来，距离调大到1.7
说明同一个人的距离被拉大了，负样本loss偏大了，解决方法：增大正样本loss系数
突然有个想法：正样本少，负样本多
订阅专栏 解锁全文
1903
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
