-
Notifications
You must be signed in to change notification settings - Fork 18
Home
Welcome to the data-science-bowl-2018 wiki!
- Resize : 인풋 사이즈를 맞추기 위한 조절
- Normalization01 : 0~1 사이로 Normalization
- Normalization1 : -1~1 사이로 Normalization
- Separation Heuristic
- Fill-Hole
- Cell 중간이 비는 경우를 채워주는 휴리스틱
- Random Flip(left-right, up-down)
- Random Crop
- Center Crop
- Mirror Crop : Crop하되 모자란 부분을 Mirror Padding으로 채움.
- Random Scaling
- Random Affine : rotation, sheer, translation
- Random Color
- Elastic Transform
- Erosion
- Mask Normalization : 마스크 사이즈를 일정 범위로 조절함
Network의 Output을 [0, 1] 의 Heatmap 형태로 출력. Nuclei 가 있는 곳을 1로 출력하도록 학습.
이후에 서로 붙어있지 않은 셀을 서로 다른 Instance로 취급하는 등의 후처리를 통해서 구분함
UNet Paper에서 소개되었던 방식 그대로임.
전처리를 통해 일부러 셀과 셀 사이를 떨어드림(Erosion)
이후에 학습할 때 셀과 셀 사이를 더 높은 Weight를 주어서 학습시킴. 인접하지 않은 Instance끼리 구분하기 위함.
학습 이후에, 인접하지 않은 셀을 구분해 Instance로 인식하고, Instance 크기를 1px씩 다시 늘림
- 전처리 과정에서 셀 크기를 1px씩 줄여서, 인접하지 않게 만들었기 때문
우리가 시도하는 것은 크게 Semantic Segmentation Model과 Instance Segmentation Model로 구분됨.
-
Semantic Segmentation
- Segmentation의 의미만 구분하고, Instance는 구분하지 않음.
- eg. 두명의 사람이 붙어있는 경우 하나의 세그먼테이션으로 처리함
-
Instance Segmentation
- 의미도 구분하지만, 각각의 Instance로 분리하는 것이 목표
Semantic Segmentation Model은 Unet, DeepLab 등으로 주로 end-to-end training이 가능하다는 장점이 있지만, 주어진 문제는 1-class Instance Segmentation Problem 이므로, Loss Function 디자인과 Post Processing 등으로 Instance를 분리함.
다양한 모델에 대한 설명은 이곳 참조 : http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review
- 단순하게 Convolution Layer를 쌓아서 Baseline 성능을 확인
- https://github.kakaocorp.com/kakaobrain/data-science-bowl-2018/wiki/Basic-Convolutional-Model
- UNet 아키텍쳐와 학습 방법을 빌려서 설계
- 단일 모델 LB0.504
- https://github.com/ildoonet/data-science-bowl-2018/wiki/U-Net-Model
- https://github.com/ildoonet/data-science-bowl-2018/issues/27
- Semantic Segmentation SOTA
- 현재 진행 중
- https://github.com/ildoonet/data-science-bowl-2018/wiki/DeepLab-v3--Model
- https://github.com/tensorflow/models/tree/master/research/deeplab
- paper: https://arxiv.org/abs/1703.06870
- Mask RCNN은 object detection model 인 Faster RCNN에서, 마지막 부분에 proposal로 나온 박스에 대해 mask prediction을 추가함으로 Instance Segmentation을 하도록 설계 된 모델임.
Data Handling
Models
Ensemble
Etc