我正在做研究以使用Mask R-cnn检测负载损坏。

道路损坏分类有8种类型，我们用423列火车和Val 103数据集进行训练。

图中，红色图是原始图像的学习结果，蓝色图是使用增强源代码调整大小的结果。

调整后的学习图（蓝色图）减少了验证损失和训练损失。 但是，使用原始数据集（无扩充，红色图）的学习结果在15到20个时期内迅速增加。

结果，沥青路面裂缝的检测精度较低（4种），而车道，人孔和人行横道的检测精度较高（4种）。

这是三个问题。

1. 为什么在无扩充数据集学习中验证损失会迅速增加？ （红色图表）
2. 当相同数据集扩充（调整大小）时，为什么验证损失会更低？ （蓝色图）
3. 有没有办法降低红色图表的验证损失？

谢谢。

• img_per_gpu：每个时期2个步骤：训练图片÷2，验证时期：val图像÷2

#red graph model.train(dataset_train,dataset_val, learning_rate=config.LEARNING_RATE, epochs=400, layers='heads')

#blue graph model.train(dataset_train, layers='heads', augmentation=imgaug.augmenters.Sequential([ imgaug.augmenters.Affine(scale=(0.5,0.7))]) #resize

enter image description here