本文档介绍了在cvpr2016-Pascal数据集上进行调参的详细过程，包括训练和测试的执行脚本、特征提取以及关键参数的调整。重点关注学习率、归一化方法、模型保存步骤和融合权重的影响。实验结果显示，学习率设为0.0007，不改变衰减率时能得到较优结果；融合权重对整体效果有提升，但具体权重差异影响不大；归一化方法的选择对结果影响较小。
Pascal数据集:cvpr2016-master-pascal，下面包含两个i2t和t2i，分别都要去调
输入数据：在两个各自文件夹中的data下
运行方法：
训练执行sh train_cub_hybrid.sh
测试执行sh eval_cub_cls.sh
然后得到文本和图像的特征img_fea.mat和txt_fea.mat
测试结果使用附件压缩包中的evalMap.m，其中第34行，W=W1对应i2t的结果，对应修改为W=W2时为t2i的结果，然后改为W=W1+W2时为融合的结果
可以调的几个地方：
1.train_cub_hybrid.sh中的参数
learning_rate，从0.01到0.0001都可以尝试，间隔尝试一下
learning_rate_decay，目前是1，可以从0.8到1之间调整
2.输入数据归一化
把data文件夹下的输入数据进行归一化，可以尝试01归一，以及附件中的znorm，pre_cnn等归一方法，这里修改是注意新保存的mat文件名和里面的变量名都和原来保持一致
3.从不同迭代次数的模型提取特征，目前写的应该是每100步会保存一个模型，对应修改eval_cub_cls.sh中model参数后面的模型文件名
4.融合权重，上面提到的W=W1+W2的融合结果，W1和W2之间的融合权重也可以调整
注意：修改之前先把原有的两个文件夹备份，
最低0.47元/天 解锁文章
915
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
