riskeverything

似乎在forward里多次使用view，就会报NoneType的问题，请问下，这是什么原因啊。

> 我也遇到了同样的问题，用作者预训练的模型直接在测试集上测试得到ACER达到了0.505，请问您解决了这个问题吗 > >  你这肯定是数据不对，用了rgb。

不是，这东西网上不是随便下嘛？

> I used FeatherNetB_bs32-ir model to test the infrared image, and found that the effect is not good, maybe the data processing does not meet the requirements. @SoftwareGift 我用ir训练和测试，最好的结果有86的acc，并且训练非常容易过拟合。

你们这0.5的，应该都是数据源就不对。论文都没看嘛？作者用的是深度图训练和测试的，你用rgb进去肯定没效果啊。

> 这个是因为原始下载的代码当中，对于test的标签文件，有一句代码被注掉了，采用了随机的标签值。在read_data.py文件下。 > if self.phase_test:#测试阶段 > depth_dir = self.depth_dir_test > label_dir = self.label_dir_test > label = int(label_dir[idx]) > #label = np.random.randint(0,2,1) > label = np.array(label) > > 上面这个我已经改回来了。原始代码用的是label = np.random.randint(0,2,1)，这个标签是随机的。所以检测效率是0.5左右。...

> 我用的数据集下的深度图啊，97%左右。 哦哦，深度图的话，没啥用的。我随便调了下参，都到了99·7%了。。

ir图像和depth图像的归一化参数应该是不一样的，这个是否更改后会提高效果。

> 你是怎么训练和测试的？我在用rgb图训练（color_train_list.txt），然后在color_test_list.txt上测试，效果一般，我试过作者的pytorch源码，也拿作者训练好的模型在color_test_list.txt上测试过，一开始平均平均的accuracy还不错，慢慢的测试到后面的正样本，效果就很差，整体的TPR@fpr也很差。完全不是paper中的效果（有可能paper中，不是这么测试的？）。后面我自己用caffe复现了他的featherNet，发现如果直接是最后的特征flatten乘1024向量，不接fc,然后做二分类，效果很差，如果接fc变成2维，效果会好很多，如果再fc前加上relu+dropout，accuracy效果会达到92%，[email protected]=91%. > > 不知道作者怎么训练的，有没有作者或者大佬解释一下？欢迎交流 你好，我想问下，你接fc时候是多少层，我看了作者的代码，确实是只用前两个神经元输出做loss，但是我觉得不是很合理，这样子相当于后面的神经元完全没有用到。

> 你是怎么训练和测试的？我在用rgb图训练（color_train_list.txt），然后在color_test_list.txt上测试，效果一般，我试过作者的pytorch源码，也拿作者训练好的模型在color_test_list.txt上测试过，一开始平均平均的accuracy还不错，慢慢的测试到后面的正样本，效果就很差，整体的TPR@fpr也很差。完全不是paper中的效果（有可能paper中，不是这么测试的？）。后面我自己用caffe复现了他的featherNet，发现如果直接是最后的特征flatten乘1024向量，不接fc,然后做二分类，效果很差，如果接fc变成2维，效果会好很多，如果再fc前加上relu+dropout，accuracy效果会达到92%，[email protected]=91%. > > 不知道作者怎么训练的，有没有作者或者大佬解释一下？欢迎交流 而且，我接了fc和dropout，非常容易过拟合。训练精度到了98，验证集只有30-40，不知道问题出在哪里。