blanclist
commented
3 years ago 你好，在阅读你的文章和代码之后，我有一些问题想请教一下。 首先是，我在High_level_fusion class中发现hat_F_I_4, hat_F_I_5分别有2.0和1.7倍率的超参数设置，请问这里的超参数设置是怎样选择的，对最终的结果有多大的影响？ 其次是，我自己在做网络训练时，也尝试过利用边缘信息进行附加的监督，不过我用的是bce损失，而且并没有发现有明显的性能提升。因为你在ablation study中并没有对这一部分做对比实验，所以我很好奇，你这里加入contour信息之后，大概能有多大的效果。 最后是，由于训练代码暂时没有公布，你这里对所有的损失项是采用了同样的权重吗？这里的损失项太多，感觉确定权重会比较麻烦。
您好，
- 在 high-level fusion 中，确实有两个超参数来控制不同级别的特征，并且这两个参数是根据我的调试经验确定的。不过，我发现在我自己的机器上训练的时候，设置成 2.0 和 1.7 会有比较好的效果，但在其它人的机器上训练时，反而其它的参数设置会比较好（可能与一些库的版本有关）。所以如果您不是特别追求 SOTA 的性能，将它们设置成 1.0 和 1.0 也是可以的。
- 我曾经也尝试过 bce 损失来对边缘信息监督，同样没有发现性能上的提升（也没有负面效果），后来我发现 l2 损失可以带来一些微弱的性能提升。在论文中，您可以从模型是否增加了 low-level fusion 来看到性能对比。但需要强调的是，这部分提升并不是很大（high-level 更加重要），并且对底层高分辨率特征进行额外地特征融合、监督会带来更多的时间消耗，所以是否增加边缘监督需要您自己考量。
- 目前我放出了训练代码，在 train-CN 分支下。由于我目前没什么时间，所以并没有完全注释这些代码，直接运行也可能会报错。但您可以从里面看到损失函数是怎样的、如何调整各损失间比例、以及深度监督具体都加在了哪里，希望这能帮助到您。
clelouch
你好，在阅读你的文章和代码之后，我有一些问题想请教一下。 首先是，我在High_level_fusion class中发现hat_F_I_4, hat_F_I_5分别有2.0和1.7倍率的超参数设置，请问这里的超参数设置是怎样选择的，对最终的结果有多大的影响？ 其次是，我自己在做网络训练时，也尝试过利用边缘信息进行附加的监督，不过我用的是bce损失，而且并没有发现有明显的性能提升。因为你在ablation study中并没有对这一部分做对比实验，所以我很好奇，你这里加入contour信息之后，大概能有多大的效果。 最后是，由于训练代码暂时没有公布，你这里对所有的损失项是采用了同样的权重吗？这里的损失项太多，感觉确定权重会比较麻烦。