我正在做一个有关深度学习图像处理的项目，我面临的问题是，验证数据集的指标与训练数据集的指标有很大不同。区别如下所示。
image1
对于上方的图（训练数据集），绿线，蓝线，红线分别表示ms-ssim，生成器损耗和鉴别器损耗。
对于下图（验证数据集），蓝色，灰色，橙色线分别表示ms-ssim，生成器损耗和鉴别器损耗。
这两个数据集之间的唯一区别是验证集未处理（1200 * 800），而训练集已裁剪（256 * 256）。
接下来，我尝试使用相同的设置来裁剪验证集。正如我所猜测的那样，两个数据集的指标变得相似。但是，由于未裁剪真实图像（测试数据集），因此这些指标似乎没有用。
我的问题是：
答案 0 :(得分：0)
了解确切的任务是有帮助的。您正在尝试解决什么，您的数据如何...。
通常，它确实会有所作为。您将1200x800作为原始输入大小，并将其裁剪为256x256。因此，最后您从1200x800的图像中提取了256x256的区域。您甚至在随机或具有某种逻辑的情况下还能在什么地方裁剪？
这样，您可以完全更改数据分布。原始图像将包含更多信息。根据裁剪的方式，网络可能会看到以前从未见过的信息。您还可以从平方输入变成矩形输入。在不同的输入大小下，许多模型甚至根本不起作用。
如果您只能在裁剪后的图像上进行训练，则也必须裁剪验证和测试集，以便获得可比的结果。
仅从所提供的信息来看，它看起来根本不像是过度拟合，更像是图像裁剪带来的大域偏移问题。
