我正在使用由一些简单的计算机视觉操作（颜色阈值处理）和一些形态学过滤生成的训练数据集训练 Mask RCNN 模型。训练集在 1157 张图像中捕获了大约 2387 个实例，并且只有一个类。验证数据集是人工注释的，包含 410 幅图像的 1381 个实例。我估计火车组中的数据污染率约为 40%。
该模型似乎训练得很好，尽管 val_loss 总是下降表明训练非常缓慢。然而，训练损失发生了一件奇怪的事情；学习率每下降一次，损失就会显着增加（见下文）。
任何人都可以提供有关原因的见解或参考：
- 模型训练如此缓慢
- 训练损失增加而验证损失减少
- 关于使用嘈杂训练数据集的更好训练模型的任何提示。
参数：
- Conv2D 层的 L2 损失：1e-4 / size(kernel)
- 优化策略：
- 那达慕优化器，LR 1e-3，计划在高原除以 10（耐心 50）
- 从零开始训练
