训练问题

[FPXMilkyway]

作者您好！非常感谢您能开源您的工作，我现在在训练第二阶段有一些问题，就是训练的loss是负数这个正常吗，期待您的回复！

[yidamyth]

您好，感谢您的关注。第二阶段训练损失为负是正常的，因为有个NCC损失（相似度越高值越大，范围是-1到1之间），损失计算时取了个负号的，所以相似度越高的时候损失数值会越小（甚至小于零）。损失整体还是数值越小越好，即便是负数也是同样的道理。

由于在特征级配准上有较大的难度，第二阶段的训练会比较敏感，因此建议基于自己的设备适当调整各项参数。

[FPXMilkyway]

好的，那我继续训练啦， 谢谢您！

[FPXMilkyway]

作者您好，很抱歉又打扰您啦！我自己尝试按照您论文当中所提到的生成ir_remove得方法进行了生成数据集，但是最后得训练效果可能有些不好，第一张图是您论文中报告的定性，第二张图是我用我自己生成得ir_remove得数据训练后得结果，不知道您可不可以open source您生成ir_remove 得代码，多有打扰！感谢！

[yidamyth]

作者您好，很抱歉又打扰您啦！我自己尝试按照您论文当中所提到的生成ir_remove得方法进行了生成数据集，但是最后得训练效果可能有些不好，第一张图是您论文中报告的定性，第二张图是我用我自己生成得ir_remove得数据训练后得结果，不知道您可不可以open source您生成ir_remove 得代码，多有打扰！感谢！

您好，生成ir_move的代码已经开源了的，您可以关注一下对应文件夹下的文件Util/image_transform.py。如果你想要得到论文中一样的结果，请你直接运行我们开源的模型权重即可。如果是重新训练，还是和我上面提到一样的问题，需要不断去调整优化模型参数，得到适应性较好的模型权重。因为特征上的偏移对参数的训练很敏感，优势是能端对端的完成配准+融合任务，不足是泛化性还有待提升。

基于特征配准的泛化性问题非常值得研究，同样目前的主流方法仍然存在相同的问题，可以多关注一下对比方法中提到部分文章，结合起来研究。

目前这个问题的研究还需进一步推动，同时也十分感谢您的关注。