Submit Search
Upload
テーブルコンペと比べて分かる画像コンペ入門
•
Download as PPTX, PDF
•
3 likes
•
920 views
S
ShinichiroSaito
Follow
テーブルコンペと比べて分かる画像コンペ入門
Read less
Read more
Engineering
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 51
Download now
Recommended
次世代ゲームにおける自動生成技術
次世代ゲームにおける自動生成技術
Youichiro Miyake
3次元計測とフィルタリング
3次元計測とフィルタリング
Norishige Fukushima
運用に自動化を求めるのは間違っているだろうか
運用に自動化を求めるのは間違っているだろうか
Masahito Zembutsu
Trend of 3D object detections
Trend of 3D object detections
Eiji Sekiya
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
空撮画像技術と3次元リアルタイムデータの可視化について
空撮画像技術と3次元リアルタイムデータの可視化について
Ryousuke Wayama
WebRTCを利用した遠隔リアルタイム映像処理フレームワークの実装
WebRTCを利用した遠隔リアルタイム映像処理フレームワークの実装
tnoho
DockerコンテナでGitを使う
DockerコンテナでGitを使う
Kazuhiro Suga
Recommended
次世代ゲームにおける自動生成技術
次世代ゲームにおける自動生成技術
Youichiro Miyake
3次元計測とフィルタリング
3次元計測とフィルタリング
Norishige Fukushima
運用に自動化を求めるのは間違っているだろうか
運用に自動化を求めるのは間違っているだろうか
Masahito Zembutsu
Trend of 3D object detections
Trend of 3D object detections
Eiji Sekiya
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
空撮画像技術と3次元リアルタイムデータの可視化について
空撮画像技術と3次元リアルタイムデータの可視化について
Ryousuke Wayama
WebRTCを利用した遠隔リアルタイム映像処理フレームワークの実装
WebRTCを利用した遠隔リアルタイム映像処理フレームワークの実装
tnoho
DockerコンテナでGitを使う
DockerコンテナでGitを使う
Kazuhiro Suga
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
yusuke shibui
Nreal Lightハンズオン
Nreal Lightハンズオン
Takashi Yoshinaga
Photon Fusionのはじめの一歩
Photon Fusionのはじめの一歩
聡 大久保
Rustに触れて私のPythonはどう変わったか
Rustに触れて私のPythonはどう変わったか
ShunsukeNakamura17
MediaPipeの紹介
MediaPipeの紹介
emakryo
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
Chica Matsueda
200人での対戦も可能!?Photon 新SDKについて
200人での対戦も可能!?Photon 新SDKについて
Photon運営事務局
xOps: エンジニアがスタートアップの成長の原動力となる日
xOps: エンジニアがスタートアップの成長の原動力となる日
Takaaki Umada
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
Amazon Web Services Japan
【DL輪読会】HexPlaneとK-Planes
【DL輪読会】HexPlaneとK-Planes
Deep Learning JP
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
Silicon Studio Corporation
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Takafumi ONAKA
UE4+Photonでネットワーク同期を行う
UE4+Photonでネットワーク同期を行う
Shohei Yamamoto
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
Unity Technologies Japan K.K.
こわくない Git
こわくない Git
Kota Saito
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
taisa831
5分で分かるアジャイルムーブメントの歴史 拡大版
5分で分かるアジャイルムーブメントの歴史 拡大版
Fumihiko Kinoshita
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
Game Tools & Middleware Forum
マイクロにしすぎた結果がこれだよ!
マイクロにしすぎた結果がこれだよ!
mosa siru
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
Hajime Mihara
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
MicroAd, Inc.(Engineer)
More Related Content
What's hot
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
yusuke shibui
Nreal Lightハンズオン
Nreal Lightハンズオン
Takashi Yoshinaga
Photon Fusionのはじめの一歩
Photon Fusionのはじめの一歩
聡 大久保
Rustに触れて私のPythonはどう変わったか
Rustに触れて私のPythonはどう変わったか
ShunsukeNakamura17
MediaPipeの紹介
MediaPipeの紹介
emakryo
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
Chica Matsueda
200人での対戦も可能!?Photon 新SDKについて
200人での対戦も可能!?Photon 新SDKについて
Photon運営事務局
xOps: エンジニアがスタートアップの成長の原動力となる日
xOps: エンジニアがスタートアップの成長の原動力となる日
Takaaki Umada
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
Amazon Web Services Japan
【DL輪読会】HexPlaneとK-Planes
【DL輪読会】HexPlaneとK-Planes
Deep Learning JP
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
Silicon Studio Corporation
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Takafumi ONAKA
UE4+Photonでネットワーク同期を行う
UE4+Photonでネットワーク同期を行う
Shohei Yamamoto
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
Unity Technologies Japan K.K.
こわくない Git
こわくない Git
Kota Saito
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
taisa831
5分で分かるアジャイルムーブメントの歴史 拡大版
5分で分かるアジャイルムーブメントの歴史 拡大版
Fumihiko Kinoshita
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
Game Tools & Middleware Forum
マイクロにしすぎた結果がこれだよ!
マイクロにしすぎた結果がこれだよ!
mosa siru
What's hot
(20)
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
Nreal Lightハンズオン
Nreal Lightハンズオン
Photon Fusionのはじめの一歩
Photon Fusionのはじめの一歩
Rustに触れて私のPythonはどう変わったか
Rustに触れて私のPythonはどう変わったか
MediaPipeの紹介
MediaPipeの紹介
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
MediaPipeを使ったARアプリ開発事例 ~カメラをかざして家䛾中で売れるも䛾を探そう~
200人での対戦も可能!?Photon 新SDKについて
200人での対戦も可能!?Photon 新SDKについて
xOps: エンジニアがスタートアップの成長の原動力となる日
xOps: エンジニアがスタートアップの成長の原動力となる日
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
【DL輪読会】HexPlaneとK-Planes
【DL輪読会】HexPlaneとK-Planes
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
Unreal Engine を用いた、駐車スペース検知のための学習データ生成
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
UE4+Photonでネットワーク同期を行う
UE4+Photonでネットワーク同期を行う
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
点群を使いこなせ! 可視化なんて当たり前、xRと点群を組み合わせたUnityの世界 【Interact , Stipple】
こわくない Git
こわくない Git
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
書籍 「Python FlaskによるWebアプリ開発入門 物体検知アプリ&機械学習APIの作り方」 を通して伝えたいFlaskのプラクティス.pdf
5分で分かるアジャイルムーブメントの歴史 拡大版
5分で分かるアジャイルムーブメントの歴史 拡大版
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
GTMF 2016:Perforce HelixによるGit環境の改善と拡張 株式会社東陽テクニカ(Perforce Helix)
マイクロにしすぎた結果がこれだよ!
マイクロにしすぎた結果がこれだよ!
Similar to テーブルコンペと比べて分かる画像コンペ入門
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
Hajime Mihara
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
MicroAd, Inc.(Engineer)
LIFULL HOME'S「かざして検索」リリースの裏側
LIFULL HOME'S「かざして検索」リリースの裏側
Takuro Hanawa
20121017_アプリ制作勉強会@GMO Yours
20121017_アプリ制作勉強会@GMO Yours
Yozo SATO
TAと歩くGDC2013報告会資料
TAと歩くGDC2013報告会資料
fumoto kazuhiro
Scrumワークショップ
Scrumワークショップ
You&I
QGISセミナー初級・実践編(V2.4)
QGISセミナー初級・実践編(V2.4)
IWASAKI NOBUSUKE
QGISセミナー初級編 ~QGISの使い方・実践編~ Ver. 2.4版
QGISセミナー初級編 ~QGISの使い方・実践編~ Ver. 2.4版
FOSS4G_MEXT
簡単に機械学習(画像)を使おうと思ったけど、駄目だった話
簡単に機械学習(画像)を使おうと思ったけど、駄目だった話
Mitsushige Ishiguro
初心者向けAndroidゲーム開発ノウハウ
初心者向けAndroidゲーム開発ノウハウ
Kentarou Mukunasi
kaggle tweet コンペの話
kaggle tweet コンペの話
taguchi naoya
Rustで3D graphics programming
Rustで3D graphics programming
KiyotomoHiroyasu
Unreal Engine 4 Education 1 基礎の基礎・最初は何から学ぶ?
Unreal Engine 4 Education 1 基礎の基礎・最初は何から学ぶ?
エピック・ゲームズ・ジャパン Epic Games Japan
AWSとGPUインスタンスのご紹介
AWSとGPUインスタンスのご紹介
Yasuhiro Matsuo
CEDEC2014: アンリアル・エンジン4を技術者が活用するための最新ノウハウ
CEDEC2014: アンリアル・エンジン4を技術者が活用するための最新ノウハウ
エピック・ゲームズ・ジャパン Epic Games Japan
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
Yaboo Oyabu
㉒初期プロジェクトを改造!
㉒初期プロジェクトを改造!
Nishida Kansuke
ディープラーニングでラーメン二郎(全店舗)を識別してみた
ディープラーニングでラーメン二郎(全店舗)を識別してみた
knjcode
go-thumber-imagick
go-thumber-imagick
Yo Ya
Blender x docker(簡単分散環境構築)
Blender x docker(簡単分散環境構築)
Monta Yashi
Similar to テーブルコンペと比べて分かる画像コンペ入門
(20)
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
Hadoopデータ基盤とMulti-CloudなML基盤への取り組みの紹介
LIFULL HOME'S「かざして検索」リリースの裏側
LIFULL HOME'S「かざして検索」リリースの裏側
20121017_アプリ制作勉強会@GMO Yours
20121017_アプリ制作勉強会@GMO Yours
TAと歩くGDC2013報告会資料
TAと歩くGDC2013報告会資料
Scrumワークショップ
Scrumワークショップ
QGISセミナー初級・実践編(V2.4)
QGISセミナー初級・実践編(V2.4)
QGISセミナー初級編 ~QGISの使い方・実践編~ Ver. 2.4版
QGISセミナー初級編 ~QGISの使い方・実践編~ Ver. 2.4版
簡単に機械学習(画像)を使おうと思ったけど、駄目だった話
簡単に機械学習(画像)を使おうと思ったけど、駄目だった話
初心者向けAndroidゲーム開発ノウハウ
初心者向けAndroidゲーム開発ノウハウ
kaggle tweet コンペの話
kaggle tweet コンペの話
Rustで3D graphics programming
Rustで3D graphics programming
Unreal Engine 4 Education 1 基礎の基礎・最初は何から学ぶ?
Unreal Engine 4 Education 1 基礎の基礎・最初は何から学ぶ?
AWSとGPUインスタンスのご紹介
AWSとGPUインスタンスのご紹介
CEDEC2014: アンリアル・エンジン4を技術者が活用するための最新ノウハウ
CEDEC2014: アンリアル・エンジン4を技術者が活用するための最新ノウハウ
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
㉒初期プロジェクトを改造!
㉒初期プロジェクトを改造!
ディープラーニングでラーメン二郎(全店舗)を識別してみた
ディープラーニングでラーメン二郎(全店舗)を識別してみた
go-thumber-imagick
go-thumber-imagick
Blender x docker(簡単分散環境構築)
Blender x docker(簡単分散環境構築)
テーブルコンペと比べて分かる画像コンペ入門
1.
テーブルコンペと比べて分かる 画像コンペ入門 2019.11.30 @sinchir0/しんちろ
2.
画像コンペに取り組んだきっかけ
3.
画像 画像 動画? 画像 10月頃
4.
画像 画像 動画? 画像 10月頃 画像コンペで勝たないと Kaggleで強くなれない・・・?
5.
・Segmentation ・雲の形が4種類のどれかを当てる ・Sugar(砂糖) ・Flower(花) ・Fish(魚) ・Gravel(砂利) 取り組んだコンペ Understanding Cloud Organization
from Satellite Images 通称:雲コンペ
6.
まずはEDAかな・・・ Segmentation in PyTorch
using convenient tools https://www.kaggle.com/artgor/segmentation-in-pytorch-using-convenient-tools
7.
まずはEDAかな・・・ 頑張って理解しようとするが・・・
8.
まずはEDAかな・・・ ※知識が 足らな過ぎて ※漫画「DEATH NOTE」より
9.
まずはEDAかな・・・ ※知識が 足らな過ぎて テーブルコンペなら 少しは分かるんだが・・・ ※漫画「DEATH NOTE」より
10.
まずはEDAかな・・・ ※知識が 足らな過ぎて テーブルコンペと比較して、 画像コンペは 何が違うんだろう・・・ ※漫画「DEATH NOTE」より
11.
テーブルコンペと比べて分かる 画像コンペ入門 2019.11.30 @sinchir0/しんちろ
12.
・テーブルコンペは少し分かるけど、 画像コンペ分からんって人向けの資料です。 ・僕が理解出来た部分のみを説明します ・テーブルコンペ、雲コンペの詳しい説明はしません。 ・間違ってたら指摘頂けると嬉しいです! 注
13.
2015.4 ~ 日系SIer
システムエンジニア • インフラ系システムの保守・運用 2018.10 ~ 日系SIer データサイエンティスト • 電力需要予測 • 蓄電池劣化予測 • 業務改善コンサル • 航空機揺れ予測 2019.8 ~ 日本IBM データサイエンティスト @sinchir0 齋藤 慎一朗 自己紹介 イマココ
14.
Kaggle歴 ここら辺(8月辺り)から本格参戦 ・IEEE 銅 ・雲コンペ 圏外
15.
画像コンペの主なタスク 有意に無意味な話 http://starpentagon.net/analytics/computer_vision_tasks/ classification detection segmentation ・該当の画像が何かを予測 ・出力は、「birdtoy」 ・該当の画像の中で、 対象物の場所を矩形で予測 ・出力は、物体の矩形範囲 ・該当の画像の中で、 対象物の場所をピクセル単位で予測 ・出力は、対象物の輪郭を囲った領域 (マスクと呼ばれる)
16.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例
17.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace
18.
環境構築 GPU環境が必須 ・選択肢1:GPUを購入し、ローカルで構築 ・選択肢2:クラウド上で構築
19.
環境構築 個人的にはPaperspaceがお勧め
20.
環境構築 個人的にはPaperspaceがお勧め ①事前インストール済環境を選択 ②スペックを選択 ③CREATE NOTEBOOKをクリック ※NOTEBOOKの作成例
21.
環境構築 個人的にはPaperspaceがお勧め 環境構築済のJupyterNotebookが使える!
22.
環境構築 個人的にはPaperspaceがお勧め ただし、「storage」配下以外のデータは 定期的に削除されるため注意・・・
23.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ
24.
DataAugmentation 似ている画像を増やし、精度向上・過学習防止 HorizontalFlipの例
25.
DataAugmentation コードの重要部分 p=0.5の意味: HorizontalFlipの発生確率。 p=0.5の場合は、HorizontalFlipを各画像に行う確率が50%の状態 似ている画像を増やし、精度向上・過学習を防止 Augmentations (albumentations.augmentations) https://albumentations.readthedocs.io/en/latest/api/augmentations.html augmentation =
albu.Compose([albu.HorizontalFlip(p=0.5)])
26.
DataAugmentation 似ている画像を増やし、精度向上・過学習を防止 albu.Rotate(limit=20) Augmentations (albumentations.augmentations) https://albumentations.readthedocs.io/en/latest/api/augmentations.html albu.GridDistortion() 他には・・・ など
27.
画像のリサイズ 計算時間の削減、メモリの節約 1400×2100 384×576
28.
画像の正規化 画像の明るさを正規化する https://cvtech.cc/std/ 明るさを揃える 正規化前 正規化後
29.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ 特徴量生成 ・Target Encoding ・Count Encoding ・自動
30.
特徴量生成 LightGBMで行うような特徴量生成は行わない。 モデルの途中において、自動的に特徴量が生成される。 ここら辺がテーブルコンペ でいう特徴量に該当? U-Netのネットワーク U-Net: Convolutional Networks
for Biomedical Image Segmentation https://arxiv.org/abs/1505.04597
31.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル構築 ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ モデル ・LightGBM ・Neural Network ・Unet ・FPN
32.
モデル 構築済みモデルを使用する場合、主に3つを指定する segmentation-models-pytorch https://pypi.org/project/segmentation-models-pytorch/ Segmentation in PyTorch
using convenient tools https://www.kaggle.com/artgor/segmentation-in-pytorch-using-convenient-tools 入力画像 ①Model ②Encoder (Backbone) Decoder 出力画像 そのまま 出力画像 加工後 ③Encoderの学習済重み(Weights)
33.
モデル 構築済みモデルを使用する場合、主に3つを指定する segmentation-models-pytorch https://pypi.org/project/segmentation-models-pytorch/ Segmentation in PyTorch
using convenient tools https://www.kaggle.com/artgor/segmentation-in-pytorch-using-convenient-tools 入力画像 ①Model ②Encoder (Backbone) Decoder 出力画像 そのまま 出力画像 加工後 ①Model ②Encoder (Backbone) Decoder ③Encoderの学習済重み(Weights)
34.
モデル - ①Model segmentationタスク用モデルの例として、下記のようなものがある。 ・Unet
・FPN U-Net: Convolutional Networks for Biomedical Image Segmentation https://arxiv.org/abs/1505.04597 Review: FPN — Feature Pyramid Network (Object Detection) https://towardsdatascience.com/review-fpn-feature-pyramid-network-object-detection-262fc7482610 他には・・・ ・Linknet ・PSPNet など
35.
モデル 構築済みモデルを使用する場合、主に3つを指定する segmentation-models-pytorch https://pypi.org/project/segmentation-models-pytorch/ Segmentation in PyTorch
using convenient tools https://www.kaggle.com/artgor/segmentation-in-pytorch-using-convenient-tools 入力画像 ①Model ②Encoder (Backbone) Decoder 出力画像 そのまま 出力画像 加工後 ③Encoderの学習済重み(Weights) Decoder ②Encoder (Backbone)
36.
モデル - ②Encoder(Backbone) ネットワークの畳み込みの部分を表す。 Backboneのイメージ(画像はFaster
R-CNN) Mask R-CNN https://www.slideshare.net/windmdk/mask-rcnn ココ
37.
モデル - ②Encoder(Backbone) Backboneに適用するモデルを変更することで、精度向上に繋がる可能性がある。 Mask
R-CNN https://www.slideshare.net/windmdk/mask-rcnn Backboneに適用するモデル ・VGG? ・Densenet? ・DPN? ・Inception? ・Resnet?Backboneのイメージ(画像はFaster R-CNN)
38.
モデル - ②Encoder(Backbone) より大きなモデルを使うと、精度向上に繋がる傾向にある? Deep
Residual Learning for Image Recognition https://arxiv.org/pdf/1512.03385v1.pdf resnetの種類と誤差率 大きくなると同時にGPUに 必要なメモリも増加 使えるかどうかは環境次第
39.
①Model モデル 構築済みモデルを使用する場合、主に3つを指定する segmentation-models-pytorch https://pypi.org/project/segmentation-models-pytorch/ Segmentation in PyTorch
using convenient tools https://www.kaggle.com/artgor/segmentation-in-pytorch-using-convenient-tools 入力画像 ①Model ②Encoder (Backbone) Decoder 出力画像 そのまま 出力画像 加工後 Decoder ③Encoderの学習済重み(Weights) ②Encoder (Backbone)
40.
モデル - ③学習済の重み(Weights) 学習済の重みをBackboneに反映でき、高速化・精度向上に繋がる。 IMAGENETというデータセットを用いて、 学習した重みを表す。 IMAGENETとは: ・1,400万枚を超える画像 ・画像に写っている物体名(クラス名)を付与 ・物体名(クラス名)は2万種類以上 有意に無意味な話 http://starpentagon.net/analytics/imagenet_ilsvrc2012_dataset/
41.
モデル segmentation-models-pytorchでの実装例。簡単。 segmentation-models-pytorch https://pypi.org/project/segmentation-models-pytorch/ import segmentation_models_pytorch as
smp model = smp.Unet('resnet34', encoder_weights='imagenet') モデルに Unetを指定 Backboneに resnet34を指定 学習済の重みに IMAGENETを指定
42.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ パラメータ ・max_depth ・learning_rate ・batch_size ・threshold
43.
パラメータ ・batch_size: GPUのメモリが足らない場合はこのパラメータを小さくする。 大きい方が精度が高くなる? ・threshold: ピクセルごとの予測確率に対し、どの閾値以上で該当の画像とするかの値 例: 0.9 0.8 0.7 0.0
0.0 0.1 0.1 0.2 0.5 予測結果 (確率)テストデータ threshold 0.80 threshold 0.50 1 1 0 0 0 0 0 0 0 予測結果 1 1 1 0 0 0 0 0 1
44.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ 予測 - ・TTA
45.
TTA(Test Time Augmentation) テストデータに対しDataAugmentationを実施し、その平均等を予測結果とする TTAなし 0.9
0.8 0.7 0.0 0.0 0.1 0.1 0.2 0.5 予測データ 予測結果 TTAあり 予測結果 途中 0.9 0.8 0.7 0.0 0.0 0.1 0.1 0.2 0.5 0.7 0.5 0.7 0.0 0.3 0.3 0.5 0.8 0.5 0.8 0.5 0.7 0.0 0.1 0.3 0.3 0.4 0.4 予測結果 0.8 0.2 0.7 0.0 0.0 0.5 0.3 0.2 0.2 平 均
46.
TTA(Test Time Augmentation) テストデータに対し、DataAugmentationを実施、その平均を予測結果とする from
tta_wrapper import tta_segmentation model = tta_segmentation(model, h_flip=True, v_flip=True, h_shift=(-10, 10), v_shift=(-10, 10), merge='mean') qubvel/tta_wrapper https://github.com/qubvel/tta_wrapper h_flip : Horizotalflipを行うかどうか v_flip : Verticalflipを行うかどうか h_shift : HorizontalShift(水平移動)を行うかどうか、ピクセル単位 v_shift : VerticalShift(垂直移動)を行うかどうか、ピクセル単位 merge : マージを行う方法。’mean’ or ‘gmean’(幾何平均) or ‘max’
47.
テーブルコンペと画像コンペの比較 テーブルコンペ 画像コンペ 環境構築 ・Kernel ・GCP,AWS,Azure ・GCP,AWS,Azure ・Colab,Paperspace 前処理 ・標準化、正規化 ・欠損値補間 ・DataAugmentation ・画像のリサイズ 特徴量生成 ・Target Encoding ・Count
Encoding ・自動 モデル ・LightGBM ・Neural Network ・Unet ・FPN パラメータ ・max_depth ・learning_rate ・batch_size ・threshold 予測 - ・TTA 後処理 ・アンサンブル ・アンサンブル ・マスクの削除 ※全て代表例 テーブルコンペ 画像コンペ 後処理 ・アンサンブル ・アンサンブル ・マスクの削除
48.
後処理 ・アンサンブル: 予測結果の平均など ・マスクの削除: 雲コンペの評価指標「Dice coefficient」について、正解が「マスクが存在 しない」場合、予測結果を「Nan」にすると1の値を得られる。つまり、確信 できない予測結果については、「NaN」に置き換えた方がより良い順位が取 れる可能性がある。そのため、小さなマスクや、各画像に対する classificationの結果、確率が低いマスクは削除する後処理を行うkernelが 多く上がっていた。
49.
その他 –modelのsave,load- from keras.models
import load_model #モデルのセーブ model.save('my_model.h5’) #モデルのロード model = load_model('my_model.h5') 重み更新済のモデルのセーブ、ロードを行い時間の短縮 Keras FAQ https://sinchir0.hatenablog.com/entry/2019/11/21/231502
50.
分かっていないこと ・「BCE + Dice
loss 」のような損失関数を足し合わせる意味とその記述方法 ・ニューラルネットワークのlayerの自作 ・複数枚のGPUの活用方法
51.
まとめ つまりこれが欲しいです 画像コンペ編
Download now