CV 경진대회

1. Abstract

• Goal of the Competition
  • 문서 타입 분류를 위한 이미지 분류(17종)
• Timeline
  • 2024.04.11 ~ 2024.04.23 19:00

2. Process : Competition Model

• Environment

  Ubuntu 20.04
  python
  Geforce RTX3090 24GB
  wandb

• Requirements

  albumentations==1.3.1
  ipykernel==6.27.1
  ipython==8.15.0
  ipywidgets==8.1.1
  jupyter==1.0.0
  matplotlib-inline==0.1.6
  numpy==1.26.0
  pandas==2.1.4
  Pillow==9.4.0
  timm==0.9.12

• Dataset overview

  데이터는 총 17개 종의 문서로 분류되어 있음.

  1570장의 학습 이미지를 통해 3140장의 평가 이미지를 예측하게 됨.

  현업에서 사용하는 실 데이터를 기반으로 대회를 제작하여 대회와 현업의 갭을 최소화

  현업에서 생길 수 있는 여러 문서 상태에 대한 이미지를 구축.

• agumentation

RandomResizedCrop(height=img_size, width=img_size, scale=(0.8, 1.0), p=0.5)
Resize(height=img_size, width=img_size),
HorizontalFlip(p=0.5),
VerticalFlip(p=0.5),
RandomRotate90(p=0.5),
Rotate(limit=(-35, 35), p=0.5),
GaussianBlur(blur_limit=(3, 7), p=0.5),
GaussNoise(always_apply=False, p=0.5, var_limit=(50.0, 200.0),per_channel=True, mean=0.0),
HueSaturationValue(hue_shift_limit=20, sat_shift_limit=30, val_shift_limit=20, p=0.5),
RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.5),
# 클래스 간 차이 부각을 위한 추가 기법
ImageCompression(quality_lower=60, quality_upper=100, p=0.5),  # 이미지 압축 및품질 저하
CoarseDropout(max_holes=8, max_height=16, max_width=16, p=0.5), # CoarseDropout 추가
Normalize(mean=[0.57433558, 0.58330406, 0.58818927], std=[0.18964056, 0.18694252, 0.18506919]),
ToTensorV2()
#Normalize의 경우는 train, test 데이터의 평균, 분산을 직접 계산해서 적용
#추가로 mix up을 적용

3. Process : Issues

• 어느 정도 이상으로 정확도가 잘 올라가지 않음
  • 클래스별 f1score를 찾아보기로 함
    3, 7, 14번 클래스의 점수가 낮음
    

• 형태가 비슷한 문서의 경우 분류가 어려움

  • 3, 7, 14번 클래스의 경우 문서의 형태가 비슷해 모델이 이미지를 잘 분류해내지 못함
    
    
    

• Describe the possible solution to imporve your project.

  • 해당 이미지를 따로 분류하도록 하는 계층적 구조를 도입해볼 수 있겠으나, 시간 부족으로 적용해보지 못하였음

4. Role

• Describe your role with task in your team.
  • efficientnet-b4를 사용한 base model 작성
• Describe papers or book chapeters you found relevant to the problem, references to see.
  • https://arxiv.org/pdf/1710.03740.pdf%EF%BC%89%E3%80%82
  • https://arxiv.org/pdf/1905.11946
• Explain which are relevant for your Project.
  • efficientnet-b4에 imagenet을 사용한 가중치를 사용하고, LRscheduler와 AdamW optimizer를 사용.
  • AMP사용으로 OOM 문제 방지
  • data에는 각종 agumentation을 사용.
  • Stratified K-Fold Cross Validation

5. Results

• 약 0.95정도의 LBscore 달성
• 최종 리더보드 순위 3위
  • 

6. Conclusion

• Describe your running code with its own advantages and disadvantages, in relation to other groups in the course.
  • augmentation 부분에 있어 좀 더 많은 노력이 필요했던것으로 보임
• Sum up your project and suggest future extensions and improvements.
  - 계층적 분류 모델의 도입으로 잘 분류하지 못했던 3개 클래스에 대한 분류 정확도를 올리고 싶음