<Yun>

@gachiemchiep your comment makes my day...hahaha I spent a whole day dealing with lmdb because of some 'PIL cannot read ioBytesIO object' stupid issue..and finally manage to train the model......

> ## Describe the question > In Diarization task, i train on AMI train-dev set and ICSI corpus , i test on AMI test set. Both datasets include audios of...

Hi @wrongbattery, Thanks for the info.. 250 ms...ok then i need to reduce my size...i think your input size is different from the paper, but i will give a try....

兄弟看来你并未明白knn-matting是干嘛的。。。

数据集都公开了，你直接拿数据集里面的alpha做，你knn-matting只是为了在没有alpha的情况下，用knn来造alpha。。。

抠不出来很好的边缘是你的TNet不够好，没法把该抠和不该抠的地方正确标记出来。 阿里的这个数据集前景f和背景b占的比例非常大，训练模型去检测u其实难度还是有的。 改数据集， 加更多u占比更大的图进去。 而且你如果训练30k+的图，泛化能力不知道怎么样，你可以试试下面这个图，你就知道了。 

如果你有不知道的东西，就去看他们的文章。 改了数据集，你最好重头训练。 阿里的这个数据集说实话让你明白这个系统是怎么运行的，足够了。 但是你想要一个很宽泛，很一般化的模型，你还需要做很多东西。 最主要的还是数据集。模型基本上够好了。

不错不错，加油加油。 所以如果我没理解错的话，你现在的数据集=爱分割10K + 自己的15K 1>就数据集来讲，我觉得没啥大问题。但是尽量保证数据的统一性。因为就像你说的，爱分割质量其实不高的，而且我很担心爱分割的数据集有数据污染，就是说训练集和测试集有互相交叉，毕竟那么多图在里面，我们不可能一张一张去看。 2> 我不清楚你说的自适应是什么意思，adam？ada_delta？还是说你用lr_scheduler选择reduce lr on plateau? 震荡很可能是gradient太大，你也可以考虑gradient clipping。 3> 训练的好坏不是看loss，而是看你validation的效果。如果你validation精确度上不去了，你loss再小都没用，越小说明你过拟合了。 4> 这个问题其实很难回答。但是既然adobe能够用大概300来张训练出个DIM， 我觉得你的应该差不多。你可以尝试用更多。 5> u2net其实是属于saliency detection， 是直接给你一个前景/背景图。 matting是要用到trimap，再变成前景/背景。总体来讲matting更能胜任头发丝这种精准抠图。

大佬不敢当，共同学习探讨吧。

有必要单独做，因为你直接放一起两个net不一定能收敛。 论文里面也是先把2个都训练好了，再放到一起fine tune做end to end。 所以你要先单独训练Mnet。