使用Tensorflow对象检测API：RPN损失不断增加。有没有办法减少RPN损失？

我使用Tensorflow对象检测API进行微调，使用我自己的数据。目标是检测两类对象。我使用的是预先培训过的

faster\u rcnn\u resnet101\u coco

模型

各种检测盒精度和召回措施通常都在增加（见下面的屏幕截图），并且相当高：

箱式分级机的损失正在减少然而，RPN损失正在增加（见下面的屏幕截图）——看起来模型很难区分前景和背景（因此，RPN损失不断增加），但一旦模型能够识别和定位正确的前景，它就能很好地进行分类（因此，盒分类器损失减少）？我认为这可以从模型在测试图像上的性能中观察到：假阳性率（在不包含任何两类目标对象的图像上）另一方面，在包含这些目标对象的图像上，该模型在准确识别和定位这些对象方面做得非常好

---

因此，我的问题本质上是：我可以尝试哪些方法来确保RPN损失也在减少。

我也经历过类似的情况。

总损失不断增加（这是验证损失，表明可能过度拟合），这很奇怪随着精确度和召回率的不断提高，我的经验是确保验证数据集是正确的。例如，验证数据集应该是整个数据集的随机样本，并确保验证数据集标签始终存在。一种可能的情况是，模型预测了正确的区域建议，但实际情况是th标签不存在。我检查了我的验证数据集，可以确认它确实包含列车数据集中存在的所有类别——尽管三个类别中有两个类别的数量非常小（即不平衡数据集）。不确定这是否起作用。我也经历过类似的情况。
总损失
不断增加，这很奇怪（这是验证损失，表明可能过度拟合）随着精确度和召回率的不断提高，我的经验是确保验证数据集是正确的。例如，验证数据集应该是整个数据集的随机样本，并确保验证数据集标签始终存在。一种可能的情况是，模型预测了正确的区域建议，但实际情况是th标签不存在。我检查了我的验证数据集，可以确认它确实包含列车数据集中存在的所有类别——尽管三个类别中有两个类别的数量非常小（即不平衡数据集）。不确定这是否起作用