xuebinqin
commented
4 years ago 首先，非常感谢你的问题。 (1) 我们是没有用validation set 的，这个在我们的论文中已经提及了，多数其他论文也是这么做的，刚开始的时候我们是使用MSRA-B作为validation set的，使用它注意要是为了防止过拟合，但是我们实验中发现随着训练时间的增加没有出现明显的过拟合现象，同时我们选取在validation set上loss较低的模型去做测试，发现结果并不是最好的，反而是training loss比较低的参数在测试数据集上的结果较好，我们当时考虑可能是MSRA-B的数据分布与其他的有差别，而且loss与我们的evaluation metric并不是统一的，所以在之后的实验中我们就不再使用validation set了。我们在train的时候其实train到train loss的变化很小的时候我们就停了（training loss一般不会上升的）。但是我们在选择最终模型的时候，是选取了多个training loss较低的参数，通过对比他们在各个数据集上的表现， 然后最终选择最好的一个。这种做法从纯理论的角度来考虑其实是有缺陷的，但是实际操作中要比根据validation set的loss来选择最终模型更靠谱一些。
(2) 论文正文中的可视化结果就是概率图[0,1]归一化到[0,255]然后保存的结果，没有经过二值化。 论文中的hybrid loss能够直接train 出那样的结果，并不需要二值化以及CRF等后处理操作。 在supplementary 材料里面，我们也给出了我们的结果与做了与CRF的结果的对比。 http://openaccess.thecvf.com/content_CVPR_2019/html/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.html
希望以上回答能够帮到你。
On Thu, Sep 12, 2019 at 8:20 AM lipengqian notifications@github.com wrote:
作者您好，我看了一些您的training代码，发现你在训练过程中并没有validation阶段，是不需要吗？那停止训练判断的标准是loss收敛或者上升吗？
其次，您在论文中的可视化结果，是直接模型输出（概率图）-》归一化[0，1]-》保存为RGB（0-255）后直接展示，还是说您在展示前使用了某个阈值（假如阈值是0.5）将模型输出图片（像素值为0到255范围的整数）变为mask（像素值只有0或者255）了？
— You are receiving this because you are subscribed to this thread. Reply to this email directly, view it on GitHub https://github.com/NathanUA/BASNet/issues/13?email_source=notifications&email_token=ADSGORKDSGMJ2GIMMLMMDV3QJJFZBA5CNFSM4IWFHA6KYY3PNVWWK3TUL52HS4DFUVEXG43VMWVGG33NNVSW45C7NFSM4HLADDPA, or mute the thread https://github.com/notifications/unsubscribe-auth/ADSGORLZMMK2JLBY4JTM2YTQJJFZBANCNFSM4IWFHA6A .
-- Xuebin Qin PhD Candidate Department of Computing Science University of Alberta, Edmonton, AB, Canada Homepage:https://webdocs.cs.ualberta.ca/~xuebin/
pengqianli
作者您好，我看了一些您的training代码，发现你在训练过程中并没有validation阶段，是不需要吗？那停止训练判断的标准是loss收敛或者上升吗？ 其次，您在论文中的可视化结果，是直接模型输出（概率图）-》归一化[0，1]-》保存为RGB（0-255）后直接展示，还是说您在展示前使用了某个阈值（假如阈值是0.5）将模型输出图片（像素值为0到255范围的整数）变为mask（像素值只有0或者255）了？