Zbyt dużo false-postive przypadków.

Witam,
jak mogę poprawić moją sieć? Problem jest taki: jeżeli na zdjęciu znajduje się obiekt to ładnie go lokalizuje. Problemem jest to, że sieć zbyt często stwierdza, że jest obiekt na zdjęciu, a na prawdę go nie. przez to uzyskuje precyzje poniżej 10%.

Jakie są najczęstsze przyczyny?

Model nie jest przeuczony. Wykresy val_loss i loss są bardzo zbliżone do siebie. No może trochę przeuczony (val loss powyżej loss), ale oba ładnie zmierzają coraz niżej. Korzystam z Mask_RCNN. Czy jest jakiś magiczny parametr w tej sieci, który za to odpowiada?
Poniżej wszystkie parametry tej sieci:
https://notebooks.azure.com/versae/projects/mask-rcnn/html/config.py

Widzę ze codziennie nowe pytania :D
Po pierwsze dane pewnie masz jakies dziwne rozklady w nich i nic z tym nie robisz.
Po drugie pokaz swoj kod moze gdzies sie machnales.
Po trzecie zrob sobie trzy zbiory walidacyjny, testowy i treningowy -> model uczysz na treningowym i sprawdzasz na walidacyjnym kiedy funkcja straty dla obu osiagnie podobny poziom konczysz nauke i sprawdzasz wszystko na trzecim zbiorze testowym -> klasyczny podzial 60/20/20

komuher napisał(a):

Widzę ze codziennie nowe pytania :D
Po pierwsze dane pewnie masz jakies dziwne rozklady w nich i nic z tym nie robisz.
Po drugie pokaz swoj kod moze gdzies sie machnales.
Po trzecie zrob sobie trzy zbiory walidacyjny, testowy i treningowy -> model uczysz na treningowym i sprawdzasz na walidacyjnym kiedy funkcja straty dla obu osiagnie podobny poziom konczysz nauke i sprawdzasz wszystko na trzecim zbiorze testowym -> klasyczny podzial 60/20/20

Tak xD :D walczę :D
Możliwe. Dane są specyficzne. Gdyż duży procent danych ok. 30% stanowią dane, które mają na celu utrudnienie zadania. Czyli, nie zawierają poszukiwanych obiektów, ale są bardzo podobne, co pewnie dlatego sieć rozpoznaje jako obiekty. Jednym z moich pomysłów było usunięcie wszystkich tych przykładów, ze zbioru uczącego. Ale nie poprawiło to wyniku końcowego. a nieco pogorszyło.

Tak mam 3 zbiory. Mój podział jest bardziej w proporcjach 70/15/15. Funkcja straty osiąga podobny poziom, np. 1.1 dla treningu, a dla walidacji 1.3. Niestety na testach wszystko się sypie.