使用转移学习，我已经使用TensorFlow流行的ssd_mobilenet_v1_coco_11_06_2017模型训练了自己的对象检测系统。经过200个训练图像和20个测试图像的2500个训练步骤，我获得了约0.05的评估定位损失。因此，边界框的预测非常准确。但是，我还意识到，该模型可以预测出所需的对象存在于实际上不具有较高置信度的图像中。下面是一个可视化的示例：
Example of an Evaluation Image with the Desired Object
该模型预测两个图像都包含经过训练的对象（可以从第一张图像中看到），得分为％99。
我觉得这很荒谬，我唯一能想到的就是评估分类损失约为1.3。我认为分类损失不大，也不必进一步降低分类损失。它卡在该值附近，并没有真正减少。
所以，我的问题是：
1）分类损失是解决我的问题的正确变量吗？
2）如果不是，可能是什么原因造成的？
3）最好的进行方式是什么？也许更多的训练图像，更多的训练步骤等？
我将不胜感激！
