[서베이] 카글레 - 카르바나 5위 해법 정리

Kaggle - Carvana Image Masking Challenge 1 의 5위 해법 2 의 조사 기사입니다.

Title: LB0.9972 - 5th Place Overview
Name: Kyle Y. Lee
Kaggle Discussion : htps //w w. 꺄gぇ. 코 m / c / 카 r

개발 환경

GTX1080Ti : 대회 종료 전에 구입. 1918x1280과 2010x1340에 이용.

GTX1080

GTX1070 : 추론과 TTA 만

모델

포럼 2

학습 된 ResNet 50 레이어에서 마스크 데이터 생성 (U-Net이 아님)

Optimzier: Adam

learning rate: 1e-6

자세한 내용은 아래의 7 가지 모델의 앙상블로 예측.

1918x1280(HQ, TTA6x) [weight=0.2,public LB=0.9970+, private=0.9969]

1918x1280(TTA6x) [weight=0.3,public LB=0.9970+,private=0.9969]

1918x1280(HQ, TTA2x), Fold 2 [weight=0.2,public LB=0.9970+,private=0.9969]

1600x1280(TTA4x) [weight=0.1,LB=0.9969]

2010x1340(TTA2x) [weight=0.1,LB=0.9969]

1280x1280(TTA6x) [weight=0.05,LB=0.9968]

1280x1280(TTA6x, using only dice loss) [weight=0.05,LB=0.9968]

비고: 1918x1280 및 2010x1340은 8GB보다 큰 메모리가 필요

Augmentation

좌우 반전

회전 (10도)

평행 이동(약 5%)

배율 (10%)

TTA를 좌우 반전과 평행 이동으로 6회 실행.

로컬에서 점수

0.9970: 1918x1280

0.9969: 1600x1280 및 2010x130

0.9968: 1280x1280

손실 함수

binary cross entropy - log(dice) (dice만 보다 약간 개선)

Batch Size: 1

후처리

안테나 부분 보정

주 윤곽에서 일정한 거리에있는 아티팩트 제거

휠 부분이 닫히지 않게 했다.

테스트 데이터 검증

과 학습하지 않았는지 하기 처리로 시각적으로 테스트 데이터를 확인.

앙상블의 안정성 (예 : 각 모델의 픽셀의 총 값 변동 등).

윤곽의 수 (윤곽이 너무 많으면 잡음이 들어 버린다)

두 번째로 큰 윤곽의 면적

향후 개선

더 다양한 네트워크에서 앙상블.

ResNet 101 층과 152 층을 이용한다. (이번에는 ResNet 50 레이어 사용

References

Kaggle, Carvana Image Masking Challenge , 2017.  ↩

Kyle Y. Lee, LB0.9972 - 5th Place Overview , 2017.  ↩