1. Introduction

본 과정은 NAVER Connect 재단 주관으로 인공지능과 딥러닝 Production의 End-to-End를 명확히 학습하고 실무에서 구현할 수 있도록 훈련하는 약 5개월간의 교육과정입니다. 전체 과정은 이론과정(U-stage, 5주)와 실무기반 프로젝트(P-stage, 15주)로 구성되어 있으며, 세 번째 대회인 Semantic Segmatation과제에 대한 Level2 - 03조 의 문제해결방법을 기록합니다.

🧙‍♀️ Dobbyision - 도비도비전잘한다

”도비도 비전을 잘합니다”

🔅 Members

김지수	박승찬	박준수	배지연	이승현	임문경	장석우

Github	Github	Github	Github	Github	Github	Github

🔅 Contribution

김지수 Modeling • Data Augmentation
박승찬 Modeling • Cross-Validation
박준수 Modeling • Data Augmentation
배지연 Modeling • EDA
이승현 Modeling • Cross-Validation
임문경 Modeling • Model Augmentation
장석우 Modeling • Pseudo Labeling

2. Project Outline

Task : Semantic Segmantation
Date : 2021.10.18 - 2021.11.4 (3 weeks)
Description : 쓰레기 사진을 입력받아서 일반 쓰레기, 플라스틱, 종이, 유리 등를 추측하여 10개의 class에 해당하는 객체의 영역을 구합니다.
Image Resolution : (512 x 512)
Train : 3,272
Test : 819

🏆 Final Score

3. Solution

KEY POINT

mmsegmantation을 활용하여 실험 환경을 구축합니다.
모델이 학습하기 어려워하는 클래스의 예측률을 높일 수 있는 조건을 찾아갑니다.
객체 안의 작은 점들이 노이즈로 작동하지 않도록 전처리 했습니다.
Loss, Augmentation, lr scheduler 등을 하나씩 바꾸고 각 기능의 효과를 분석하여 최적의 조건을 찾아갔습니다.

→ 검증된 모델의 실험을 기반으로 backbone을 다양하게 확보하여 앙상블을 통한 일반화 성능 향상을 추구합니다.

Checklist

Evaluation

Method	single	K-fold	Pseudo Labeling	Total
BEiT	0.758	-	0.771	-
UperSwinB	0.738	0.743	-	-
OCR+DyUnetCBAM3	0.758	0.768	-	0.769
Ensemble	-	-	-	0.775

4. How to Use

.
├──/dataset
|   ├── train.json
|   ├── test.json
|   ├── /train
|   ├── /test
├──/semantic-segmentation-level2-cv-03
│   ├── model1
│         ├── config.py
│         └── readme.md
│   ├── model2
│         ├── config.py
│         └── readme.md

model안에는 각각 config.py • readme.md가 들어있습니다
사용자는 전체 코드를 내려받은 후 설명서에 따라 옵션을 지정하여 개별 라이브러리의 모델을 활용할 수 있습니다
각 라이브러리의 구성요소는 readme.md에서 확인할 수 있습니다

sw-jang/semantic-segmentation-level2-cv-03