마스터클래스
- FPN+efficientnetb5
- deeplabv3+se_resnext_32x4d
- tta적용
- crf적용
- 후처리로 좋은 결과
- crf는 잘못 예측한 부분을 많이 완화해줬다(이번 대회에서 좋았다.)
- 실험순서
- 모델에대한 실험
- augmentation조합
- 하이퍼파라미터
- lr은 점수의 변화량을 줄이기위해서 lr을 줄여서 확인
- batch도 32,24,16으로 실험
- label smoothing도 좋았다고 한다.
- 앙상블
- 순서
- 모델찾기를 우선, batch는 최대한 크게하여 진행
- augmentation과 튜닝 시간은 줄이기
- batch와 lr을 실험해보고 , augmentation추가후, batch와 lr을 추가적으로 조정
- 앙상블
- 다양성이 있어야 좀더 효과가 있다고한다.
- corelation을확인
팀발표
- 1등
- eda로 측정하지 못한것 확인
- somnbaemix
- classmix
- 특정물체(적은클래스)를 다른 이미지에 합성
- hrnet-ocr
- unet++
- 2등
- 단일모델(5-fold)
- 리더보드의 acuracy를 올리기위한 전략
- fold ensemble+tta , crf, psudo 적용
- 각자 모델에대해 성능확인
- 3등
- 기존 iou 계산하는 방식변경
- 전체 누적으로
- 이미지별로 계산하여 평균내는 방식(리더보드와 거의 일치하는 방식이라고 한다.)