도배 하자 유형 분류 AI 경진대회

주제

도배 하자의 유형 분류 AI 모델 개발

클래스의 불균형이 매우 심한 데이터, Longtail problem의 범주를 넘어선 불균형

Data Augmentation
- SinGAN
  3장 밖에 없는 데이터를 어떻게 Augmentation 할 수 있을까 고민하다 SinGAN을 사용해 Augmentation 진행
  몇몇 class는 피쳐들이 소실됨(녹오염 이미지 같은 경우), 소실되는 class는 제외하고 Augmentation
- torchvision.transforms
  wandb sweep으로 최적화된 확률값의 Augmentation 적용
  - RandomHorizontalFlip
  - RandomRotation
  - RandomInvert
  - ColorJitter_brightness
  - ColorJitter_hue
  - RandomAutocontrast
  - RandomAdjustSharpness
  - RandomGrayscale
Loss
- ASL
  Multi label Task 에서 Data imbalance를 해결하기 위해 자주 사용한다고 한다고 하는데 focal loss 보다 좋은 성능을 보인다고함
  실재 적용시 평균적으로 0.1 정도의 성능 향상의 효과를 볼 수 있었음
Pipeline
- huggingface의 datasets, transformers 라이브러리로 모델 학습 파이프라인구성
- wandb로 실험 tracking

Accuracy
14등 (0.71425)

정석적인 방법으로 Longtail problem 해결하기 싫어서 Segmentation Anything을 이용해 이미지를 합성등, 여러가지 방법을 많이 사용했지만 결국엔 유의미한 Augmentation은 SinGAN 밖에 없었다. 잘모르는 Task는 정석적인 방법을 이용하도록 하자, 한 문제에 매몰 되지말자
실험 파이프라인을 그래도 잘 만들어놔서 뿌듯하다
공부 열심히 하자. 기초를 튼튼히 하는 것보다 좋은 성능 향상 방법은 없다.
굳이 classifier 문제로 해결하지 않아도 될듯하다. detection, segmentation등으로 task를 세분화 해서 해결 하는 방법도 괜찮을듯한데 ..