我正在研究“年龄不变面部检测”的深度学习模型。我从对数据进行预处理开始，这些数据包括通过MTCNN进行面部裁剪，图像对比度校正和锐化。然后，我开始构建模型架构，设计了自定义顺序CNN模型。训练和验证损失接近1.9，但模型花费了大约8个小时的时间。我需要快速的结果，所以我开始尝试转学。我读了一篇说Resnet-18在该任务上表现出色的论文，因此我首先选择了Resnet-18。尝试通过改变学习率来调整它，但是效果不好。准确性没有超过40％。然后我选择了Resnet-50，目前正在研究中。我尝试通过手动更改学习率来进行微调，并尝试使用其他优化程序Adam，SGD。二手学习率下降。我的模型开始过拟合，因此我在训练数据中添加了辍学，图像增强功能，并再次添加了weight_decay，因为它仍然过拟合。目前没有过拟合，但损失没有减少。我正在尝试进行实验，每天阅读许多文章，但感觉好像被卡住了。
答案 0 :(得分：0)
显然，这是特征工程问世的很好的例子之一。通过应用一些经典的特征工程方法，尽一切可能使图像使用更少的计算能力。使用MTCNN是一种非常好的方法，我会先关注功能工程，这里的link可以为您提供一些AHAA时刻的明智表现。 一切顺利