我正在使用全卷积网络（FCN）进行图像分割。在训练过程中，有些区域被错误标记，但进一步的训练并不能有效地消除这些错误。我认为这是因为网络学到了一些可能不完全正确的特征，但由于有足够的正确分类样本，网络陷入了局部最小值而无法摆脱。

我想到的一个解决方案是先训练一个epoch，然后在训练图像上验证网络，接着调整下一epoch中错误匹配部分的权重，以更严厉地惩罚这些错误匹配。

直觉上，这对我来说是有道理的——但我还没有找到任何相关的文献。这是一个已知的技术吗？如果是，它叫什么名字？如果不是，我忽略了什么（有什么缺点）？

回答：

首先，如果我理解正确的话，你是希望你的网络过拟合训练集？因为这通常是你不希望看到的情况，因为这意味着在训练过程中，你的网络找到了一些“规则”，使其在训练集上取得了很好的结果，但这也意味着它没有能够泛化，因此当你给它新的样本时，它可能会表现得很差。此外，你从未提到任何测试集……你是否将你的数据集划分为训练集和测试集？

其次，为了给你一些研究的方向，你提到的在表现不佳的地方加大惩罚的想法让我想到了一个叫做“AdaBoost”的东西（这可能无关）。这个简短的视频可能会帮助你理解它是什么：https://www.youtube.com/watch?v=sjtSo-YWCjc

希望这对你有帮助