这篇博客详细记录了作者复现论文《Deep Region and Multi-label Learning for Facial Action Unit Detection》的过程，通过三次实验对比了标签{-1,1}、{0,1}和{-1,0,1}对模型性能的影响。实验结果显示，平衡正负样本比例能提升F1率，同时指出了标签选择的内在一致性。在第三次实验中，由于配置错误导致loss发散，修复后模型性能得到改善。"
97391322,8725654,黑盒测试设计：深入理解判定表,"['测试', '测试设计', '软件测试', '黑盒']
论文复现报告：Deep Region and Multi-label Learning for Facial Action UnitDetection
第一次跑caffe代码，纯属自我练习，顺便记下一点心得和发现。此次复现参考自http://blog.csdn.net/u011668104/article/details/77412332感谢前人的分享。
严格来讲我跑了三遍caffe。
1. 第一遍使用标签{-1,1}，即所有正样本的标签是1，负样本的标签是-1.复现结果如下：
图 1标签为{-1,1}时的loss变化趋势
以及相应的F1率：
最低0.47元/天 解锁文章
扫一扫
1062
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
