我正在使用FCN（完全卷积网络）并尝试进行图像分割。在训练时，有些区域被贴错了标签，但是进一步的训练并没有太大帮助它们消失。我相信这是因为网络了解了一些可能不完全正确的功能，但是因为有足够的正确分类的例子，它会陷入局部最小值并且无法离开。
我能想到的一个解决方案是训练一个时代，然后在训练图像上验证网络，然后调整不匹配部分的权重，以在下一个时期更多地惩罚不匹配。
直观地说，这对我有意义 - 但我没有找到任何关于此的文章。这是一种已知的技术吗？如果是，它是如何调用的？如果不是，我缺少什么（缺点是什么）？
答案 0 :(得分：2)
这在很大程度上取决于您的网络结构。如果使用原始FCN，则由于池操作，对象边界上的分段性能会降低。虽然它们没有按照您提出的路线进行，但是在原始FCN上已经存在相当多的用于图像分割的变体。
在这里举几个例子。一种方法是在FCN输出之上使用条件随机场（CRF）来细化分段。您可以搜索相关论文以获得更多想法。从某种意义上说，它与你的想法很接近，但区别在于CRF作为后处理方法与网络分离。
另一项非常有趣的工作是U-net。它采用了残余网络（RES-net）的一些想法，可以将较低级别的高分辨率特征集成到高级别，以实现更准确的分割。
这仍是一个非常活跃的研究领域。因此，您可以根据自己的想法进行下一次突破。谁知道！玩得开心！
答案 1 :(得分：1)
首先，如果我理解得很好，您希望您的网络适合您的训练集吗？因为这通常是你不希望看到发生的事情，因为这意味着虽然训练你的网络已经找到一些“规则”，使它能够在你的训练集上取得很好的成绩，但这也意味着它没有能够概括，所以当你给它新的样品时，它可能表现不佳。此外，你从不谈论任何测试集。你有没有在训练/测试集中划分数据集？
其次，为了给你一些东西可以研究，在你表现不好的地方惩罚更多的想法让我想到了一些被称为“AdaBoost”的东西（它可能是无关的）。这段简短的视频可能会帮助您了解它是什么： https://www.youtube.com/watch?v=sjtSo-YWCjc
希望有所帮助