You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Segmentation task에서 데이터를 reasonable하게 train/val dataset을 나누기 위함
아래와 같이 각 이미지마다 3가지 label을 정의 후 Multi-label Stratified K-Fold로 데이터를 나눔
수가 적은 Class를 최대한 포함하기 위해 이미지마다 가장 적은 수에 해당하는 클래스를 이미지의 클래스로 정의
이미지당 Class의 수
이미지당 Annotation의 수
🔑 Oversampling
🔑 Pseudo Labeling
가장 성능이 좋은 모델의 inference 결과로 학습 데이터를 만들고 재학습
Segmentation task 특성으로 점수 크게 향상(0.727 -> 0.75)
🔑 DenseCRF
Dense CRF 기법을 적용해 boundary 좀 더 뚜렷하게 반영, 단일 객체에서 성능 향상 기대
📂 Archive contents
baseline/
├── train.py # main
├── trainer.py
├── dataset.py
├── test.py
├── utils.py
└── models/ # train model package
└── loss/ # loss metric package
└── scheduler/ # scheduler package
└── model
└── exp1/ # model file will save here