深度学习中,验证数据出现识别错特别多或者错误识别其他的物体的主要原因有以下几点:
1> 类别不平衡问题导致的。其次网络结构和loss也会有影响。类别中数据倾斜严重导致的分类不准。可以采用数据增强的方式平衡数据分布(上下采样,单类别样本数据生成等方式。)
2> 在筛查训练集的时候发现多数的正样本被错误的标注为负样本,这样模型学到正例的能力就变弱了,这样将大多数正样本预测为负样本的同时,负样本的精度也会变小。测试样本少也会造成错误识别的原因之一。
3> 考虑网络架构过于简单。
深度学习中,验证数据出现识别错特别多或者错误识别其他的物体的主要原因有以下几点:
1> 类别不平衡问题导致的。其次网络结构和loss也会有影响。类别中数据倾斜严重导致的分类不准。可以采用数据增强的方式平衡数据分布(上下采样,单类别样本数据生成等方式。)
2> 在筛查训练集的时候发现多数的正样本被错误的标注为负样本,这样模型学到正例的能力就变弱了,这样将大多数正样本预测为负样本的同时,负样本的精度也会变小。测试样本少也会造成错误识别的原因之一。
3> 考虑网络架构过于简单。