- 模型精度低
- 模型精度多少才算低
- 某一类样本精度低
靠近图片边缘区域的mask缺失率高；特定形状如矩形mask形状预测差；训练集中样本不均较少的类精度低
- 预测存在结构性问题：mask召回率低；分割精度升高，分类精度降低
例子1：
- 正样本召回率很低（看notebook、model_visulize.ipynb）
- 多任务学习（Muti-Task）
- 修改代码、跑实验
例子2：
问题：是否存在更好的网络结构？
办法1：增加网络体积，调大neuron数量。going deeper
办法2：更好的网络架构：Vanilla Unet, SCSE Unet，Attention Unet
- 分类任务：encorder+classifier layer（1层）
- 分割任务：encorder+decoder
encoder/backbone:
resnet家族：resnet系列，resnext系列，se-resnet系列，se-resnext系列
efficientnet家族：b0,b1,b2,……,b7
其他：inception系列，vgg系列，densenet系列
efficientnet系列
- 更高效（网络体积相对更小）
- 更高精度
通过冻结-部分网络（freeze）,起到微调：
- 迁移学习
- 业务数据量小
- 噪音大
多种图片尺寸：
- 先在128*128小尺寸图片上训练
- 最后通过提高图片尺寸finetuning
使用不同loss进行finetuning
- 先用BCE训练
- 最后用lovasz loss/Dice loss,微调几个EPOCH
