目前，我正努力使用在自己的数据集中训练的 deeplabV3 + 来改善语义分割问题的结果。 我已经使用来自模型动物园的不同预训练模型（已经完全基于 xception_65 ）成功地训练了 deeplabV3 + 几次，但是我的结果始终保持在相同的 miou < / strong>范围内，在此间隔 [10，11] 附近。 我只有一个拥有11GB GPU内存的GPU。 我的数据集有 8个类，对象大小各不相同，从小到大，并且非常不平衡。 标签的权重如下：[1、4、4、17、42、36、19、20]。 在我的数据集中，我有 757 个实例用于培训和 100 验证。
训练时的总体趋势是：前10k次迭代，我的损失减少了，但随后又开始振荡。
我尝试过：
调整诸如学习率，last_layer_gradient_multiplier，权重衰减之类的参数
各种图像尺寸的训练 321、513、769
使用此公式中的上述权重进行某种加权
权重= tf.to_float（tf.equal（scaled_labels，0））* 1 + tf.to_float（tf.equal（scaled_labels，1））* 4 + tf.to_float（tf.equal（scaled_labels，2））* 4 + tf.to_float（tf.equal（scaled_labels，3））* 17 + tf.to_float（tf.equal（scaled_labels，4））* 42 + tf.to_float（tf.equal（scaled_labels，5））* 36 + tf.to_float（tf.equal（scaled_labels，6））* 19 + tf.to_float（tf.equal（scaled_labels，7））* 20 + tf.to_float（tf.equal（scaled_labels，ignore_label））* 0.0
我训练时没有微调批处理标准化参数（ fine_tune_batch_norm = False ）。尽管我也尝试过以321作物大小训练那些参数（ fine_tune_batch_norm = True ），以便能够适应批量大小我的GPU中strong> 12 。
重点是我需要一些提示来弄清楚我可以做什么以改善这些结果。 你们有什么感想？我是否需要更多数据以增加我的miou或硬件？