Basic Convolutional Model

Basic Conv Model

단순한 Segmentation Map을 출력하도록 트레이닝. 휴리스틱한 방법으로 Instance를 분리해서 Kaggle 제출하는 형태의 Baseline Model.

Model

• 6 Convolutional Layers
• Layer1 : 3x3x32 + Pooling
• Layer2 : 3x3x64 + Pooling
• Layer3 : 3x3x128 + Pooling
• Layer4 : 3x3x256
• Concat : Layer1~4 를 모두 UpScale한 후 합쳐서 FeatureMap을 만들
• Layer5 : 1x1x256, Concat Layer가 너무 크기 때문에 채널 수를 줄이기 위해서 1x1 conv를 사용함
• Layer6 : 3x3x1, 최종 HeatMap 출력함

Results

Test	Validation Loss	Validation mIOU	Kaggle LB
Default1	0.0908	0.48	0.195	(1)
Default2	0.0613	0.48	0.221	(1)
Augment	0.0729	0.59481	0.23	(1)
Augment+Separator	0.0757	0.6259	0.259	(1)
Aug+Sep+mIOU	0.0696	0.37819	0.265
Aug2+Sep+mIOU+I2	0.0798	0.39075	0.267
Aug2+Sep+mIOU+I2	0.0760	0.39242	0.270

• 실험할 때마다 seed에 의해 결과 차이가 좀 나는 편임.
• Separator : Post Processing으로 인접한 셀을 구분하는 코드 @ Issue12
  • Separator가 성능이 잘 나오려면 segmentation 결과가 깔끔하게 나오는 경우여야 할 것. 가정이 둥글게 세그먼테이션될 거라는 가정이므로, 결과가 깔끔하지 않으면 이상하게 잘려나가는 케이스가 아주 많음.
• Augment : flip, scaling
• Augment2 : Augment + ColorShuffle + RandomAffine
• I2 : 3Channel Color Input

(1) mIOU 결과 계산이 정확하지 않아 수정되기 전 결과임