我正在对我的数据进行FCN32语义分割。我运行算法来微调我的数据（只有一个通道的灰度图像），直到 80,000 次迭代;但是，损失和精度是波动的，输出图像完全是黑色的。甚至，在 80,000 次迭代后损失如此之高。我认为分类器不能很好地对我的数据进行训练。所以，我要从头开始训练。另一方面，我的数据有不平衡的类成员。背景像素比其他四个类多。一些研究人员建议使用加权损失。有人知道吗？我的做法是否正确？如何将此加权损失添加到 train_val.prototxt？
如果您知道与加权损失训练相关的任何资源/示例，我将不胜感激，请在此处与我分享。
再次感谢
您可以使用 "InfogainLoss" 来解决类不平衡问题。这种损失可以看作是"SoftmaxWithLoss"的扩展，使您能够为每个标签"支付"不同的损失值。
如果要使用"InfogainLoss"进行像素级预测，则可能需要使用 BVLC/caffe PR#3855。