我正在对我的数据进行FCN32语义分段。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;然而，损失和准确度是波动的，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训练我的数据。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。背景像素多于其他四个类。一些研究人员建议使用加权损失。有谁有想法吗？我做得对吗？如何将此加权损失添加到train_val.prototxt？
如果您了解与加权损失培训相关的任何资源/示例，我将非常感谢，请在此与我分享。
再次感谢
答案 0 :(得分：3)
您可以使用"InfogainLoss"解决课程不平衡问题。这种损失可被视为"SoftmaxWithLoss"的延伸，使您能够“支付”每个标签的不同损失价值
如果您想使用"InfogainLoss"进行逐像素预测，则可能需要使用BVLC/caffe PR#3855。