问题：在做深度学习项目，经常会遇到模型在VM预测时，出现了部分样本的误检或漏检的情况。

对于上述情况，首先需要仔细研读对应的训练指导说明，查看是否是某一步操作问题导致模块报错，或者参数设置错误。

由于篇幅有限，针对一些特殊的优化细节，本文以是否做多分类任务为划分，大致的列了以下几点。

多分类：

• 如图像分类、目标检测和图像分割，需考虑类别之间是否有一定差异性，特征相似的类别应做合并。深度学习的分类标准是以目标特征分类，不应以目标出现区域或生成原因划分，下图中的凹坑和边缘掉料特征相似，应合并成一个。

• 对于图像检索，可将误识别的样本注册到gallery对应的类别中，图像检索的loss通常会大于0.4以上，但并不影响检出精度，可能与内部的Loss函数计算方法有关。
  

二分类（也可称做单类别，即不做分类，只定位出目标位置）：

• 背景中存在相似特征的，对于图像分割，可直接在此区域作忽略标注，建议所有图片统一做忽略。也可以新添加几张OK样本图，或者尝试使用自学习算法训练。

• 对于目标检测，在VT1.4.1版本中可添加几张OK样本作为背景图，也可以更换训练参数，如大Patch，高精度模型，并适当提高迭代轮次。
        

• 对于字符识别，通常是由于字符定位模型偏移，或是未开启朝向使能，而导致定位框未按字符方向旋转，也可能是字符像高占背景比过小，超出了算法下限，应尽可能的放大字符大小，比如缩小视野，裁剪图像大小等。

• 其他训练任务由于可调整的标注和训练参数不多，应着重与样本数据的清洗，可以使用常用方法提高模型性能。如提高缺陷对比度，增加样本量，选择更合适的算法，调整标注策略，将误检或漏检样本再次添加至训练集，并适当增加迭代轮次重新训练，etc。