요약

배운 강의 내용

• validation
• augmentation
• scheduler
• K-fold

대회 진행 상황

• efficient-unet을 size를 바꿔가며 성능 실험

---

강의 내용

K-fold에 대해 완전히 잘못 이해하고 있다는 것을 알게 되었다. 지금까지는 fold가 epoch을 의미하여 k=5이면 한 epoch마다 validation set을 바꿔가며 5 epoch을 돌려야하나? 라고 생각했었지만, fold는 한 학습의 dataset의 단위로서, validation set이 나뉜 5개의 dataset에 대해 5번의 학습을 진행하고, 이로 인해 얻은 5개의 모델을 앙상블하는 것이었다. 지금이라도 알아서 다행이라고 생각하지만 굉장히 부끄럽다. 이러니까 잘 안되지

대회 진행 상황

efficient-unet의 size를 바꿔가며 성능이 어떻게 나오는 지 비교해 보고있다. 우선 b0과 b2만 진행하였는데, 크게 눈에 띄는 변화는 아직 발견하지 못했다.
다만 현재 baseline이 cross entropy loss를 기준으로 best model을 판별하는데, 이게 좀 잘못된 것 같다는 생각이 든다. validation set에 대해 mIoU가 0.1이상 낮은데도 best loss인 경우가 발견되어, mIoU를 기준으로 best model을 고른 후 제출을 한 번 해볼 필요가 있다.

강의를 들으며 생각해 본 결과, 모델이 어떻게든 배터리나 옷은 인식하도록 손을 쓸 필요가 있다. 특히 배터리의 경우 모양이 거의 비슷하기 때문에, 그냥 이미지 수 자체를 늘리면(augmentation 활용하거나, 단순하게 oversampling해도 될지도?) 탐지 성능이 오를 수 있을 것 같고, 그 외에는 object의 segmentation만 따서 다른 이미지에 붙이는 식으로 해볼 수 있을 법 하다.(지난 기수의 1등 팀의 solution이다.)
모델 실험을 최대한 빨리 끝내고 data augmentation에 집중해야겠다.