作者您好，这是我使用自己的数据集训练出的结果，为什么迭代过程中的miou没有初始化的miou高？

[dqq813]

dmt-voc-106-1lr__p0--l: 80.2861213684082
dmt-voc-106-1lr__p0--r: 79.29482460021973
dmt-voc-106-1lr__p1--r: 78.88628840446472
dmt-voc-106-1lr__p1--l: 79.12319898605347
dmt-voc-106-1lr__p2--r: 78.86956334114075
dmt-voc-106-1lr__p2--l: 79.26352620124817
dmt-voc-106-1lr__p3--r: 78.67986559867859
dmt-voc-106-1lr__p3--l: 78.97126078605652
dmt-voc-106-1lr__p4--r: 78.0062735080719
dmt-voc-106-1lr__p4--l: 78.25124263763428
dmt-voc-106-1lr__p5--r: 78.01116108894348
dmt-voc-106-1lr__p5--l: 77.23076343536377

[voldemortX]

@dqq813 对于自己的数据集，这是有可能的。pseudo label相关方法，尤其在有标注数据很少时，泛化性不一定好。

[voldemortX]

可能要调整一下超参数

[dqq813]

用有标签数据初始化两个模型时，Loss在2.0左右稳定。然而在迭代过程中，loss只有0.01左右，且一直震荡。是不是说明两个模型预测伪标签的差异很小，模型之间没有分歧，所以就不能利用模型之间的分歧去纠正伪标签。

[voldemortX]

用有标签数据初始化两个模型时，Loss在2.0左右稳定。然而在迭代过程中，loss只有0.01左右，且一直震荡。是不是说明两个模型预测伪标签的差异很小，模型之间没有分歧，所以就不能利用模型之间的分歧去纠正伪标签。

有可能，你可以先试试普通的自训练，能不能带来提升