JADE's Repository

COCO Dataset info : data set에 대한 high-level의 정보가 포함 licenses : image의 license 목록이 포함 images : image 목록 및 각각의 width, height, file_name, id(image_id) 등을 포함 categories : class에 해당하는 id, name 및 supercategory가 포함 annotations : segmentation에는 각 class에 해당되는 pixel의 x, y 좌표들이 포함 mIoU FCN

github에 submodule을 올리는데 링크로 올라가지는 문제 발생 -> submodule을 git clone한후 하위 폴더에 있는 .git 폴더를 모두 삭제 -> 명령어 : find . -mindepth 2 -name '.git' -prune -exec rm -rf {} + Swin-L(HTC) val set inference 결과 mAP 0.45가 나옴 -> 오버피팅이 발생했다고 판단 -> 8~12epoch 중 9epoch으로 inference를 했을 때 val set 기준 mAP 0.501로 가장 높음 -> test inferece 결과 mAP 0.593 앙상블을 할 때 Weighted box fusion을 사용해서 좋은 점수를 얻음 -> iou_thr = 0.6일 때 최고 점수를 얻음

Swin - L에 classbalanceddataset(thr = 0.5)를 적용하여 학습 -> 12시간정도 소요될 것이라 예상 -> 사실 15시간 걸림 -> val set을 inference했을시 mAP 0.61를 얻음 -> test inference로 0.581을 얻음 -> 그 동안 swin으로 inference해서 얻은 3개의 csv파일을 앙상블 -> mAP 0.603을 얻음 Swin-L에 HTC++을 적용하는 것을 시도 -> HTC++이 HTC에 instaboost를 적용한 것이라고 해서 보았는데 instaboost는 segmentation에 사용이 가능한 것 같아서 포기하고 HTC를 적용

swin에 TTA(multi scale)를 적용하여 test inference -> (480, 1333), (512, 1333), (544, 1333), (576, 1333), (608, 1333), (640, 1333), (672, 1333), (704, 1333), (736, 1333), (768, 1333), (800, 1333)으로 img_scale을 지정 -> mAP 0.561로 높은 점수를 얻음 swin에 mosaic를 적용 (min box size=30으로 지정) -> 작은 객체를 잘 검출하지 못함 -> inference시 box가 없는 것들이 많지만 train mAP가 0.68을 얻음 -> val set을 inference했을시 mAP 0.45를 얻음 -> multi scale tta를 적..

swin에 mosaic를 적용하여 돌림 -> loss가 잘 안떨어지는 것을 확인 -> test mAP가 0.5도 안나옴 mmdet에 validation을 추가하여 실행 -> swin 기준으로 작은 객체를 못보는 것 같음 (recall이 낮음) -> resize로 크기를 키운다음 mosaic 적용 -> loss가 줄어들지 않아 1epoch돌고 중단 soft teacher 적용 시도 -> 실패 가장 높은 점수를 얻은 swin으로 TTA(multi scale)을 시도 -> (480, 1333), (512, 1333), (544, 1333), (576, 1333), (608, 1333), (640, 1333), (672, 1333), (704, 1333), (736, 1333), (768, 1333), (800..

inference가 안되서 하루 종일 해결하는데 시간을 씀 -> model에서 ouput이 안나오기 때문에 결국 swin 모델을 다시 돌려서 inference를 하자고 생각 -> 학습 도중 서버가 끊김 -> 욕함 제출횟수가 아깝기 때문에 여러 앙상블을 시도 -> 앙상블한 csv파일에 swin csv파일을 앙상블 -> 똑같은 점수를 얻음 -> 앙상블한 csv 파일에 efficientdet csv파일을 앙상블 -> iou_thr = 0.5일때 mAP = 0.555, iou_thr = 0.6일때 mAP = 0.556, iou_thr = 0.7일때 mAP = 0.553 swin-transformer에 multi-scale을 적용한 모델을 다시 돌림 -> 17 epoch 기준 train mAP 0.747이 나옴 ..

1. swin-transformer를 사용해서 높은 점수를 얻었다길래 시도 -> mAP가 0.532로 높은 점수를 얻었고 train mAP는 0.857을 얻음 -> 오버피팅이 심하다고 생각 -> multi-scale을 적용하여 다시 돌림 -> train mAP으로는 이전보다 낮게 나옴 -> 좀 더 일반화를 위해 weight decay를 0.5로 높임(기존 0.05) -> inference 실행 후 predictionstring이 비어서 나옴.... 원인이 무엇인지 모르겠음... faster rnn + detr + swin 앙상블 -> mAP 0.545로 높은 점수를 얻음 -> 제출횟수가 남아서 iou_thr = 0.5~0.7로 수정하여 제출 -> 0.5, 0.6일 때 가장 높은 점수를 얻음

Day - 42 피어세션 학습회고 pstage인데... 강의라니.... 그냥 이런게 있다 정도로만 이해하고 넘어갔다... 제대로 이해하기위해서는 따로 스터디를 해야하는데 시간이 없다.... 실험일지 deformable_detr을 100epoch으로 돌림 -> 19시간 걸림 -> 50epoch pixel_mean/std 값을 수정, solver.gamma 기본값으로 수정, version 2 지정, anchor_generator.angle 기본값으로 수정 -> anchor_generator.ratio를 3개로 지정했을시 size 에러가 뜸 Day - 43 피어세션 학습회고 강의.... pstage에 도움이 안되는 내용이다... 나중에 따로 스터디하자... 실험일지 어제 돌린 yolof를 train파일로 in..

Detector의 디자인 고려사항 작은 물체 검출하기 위해 큰 네트워크 입력 사이즈 필요 네트워크 입력 사이즈가 증가함으로서 큰 receptive field 필요 -> 많은 layer를 필요 하나의 이미지로 다양한 사이즈의 물체 검출하기 위해 모델의 용량이 더 커야함 -> 많은 파라미터 필요 YOLO v4 1. Cross Stage Partial Network (CSPNet) 정확도 유지하면서 경량화 메모리 cost 감소 다양한 backbone에서 사용가능 연산 bottleneck 제거 2. Additional Improvements Data Augmentation Mosaic Self-Adversarial Training Modified Spatial Attention Module Modified Pa..