[AI경진대회] 위성이미지 건물 영역 분할 대회 (4)
SW중심대학 공동 AI 경진대회 2023
2023.07.03 ~ 2023.07.28 까지 진행되는 SW중심대학 공동 AI 경진대회 2023에 대한 포스트.
2023 가천대 AL* 팀원들과 연계하여 참가한 공모전
위성 이미지의 건물 영역 분할(Image Segmentation)을 수행하는 AI모델을 개발
대회 시작 4주일 경과 / 대회 종료
이전 포스팅에서는 0.535 의 점수로 마무리를 하였디.
성능 향상을 위해 많은 투자를 한 ‘그림자 제거’ 에서 성과를 거두지 못하였다.
이전 포스팅으로부터 1주일간 성능 향상을 위해 많은 노력을 하였다.
모델 구조 개선
기존의 단순하게 코드를 건드리는 방식으로는 성능 향상이 어렵다고 판단하였다.
근본적인 성능 향상을 위해 U-Net의 코드를 개선하였다.
Double Convolution Block 부분을 변경하고, conv 과정을 추가하였다.
- Before ```python def double_conv(in_channels, out_channels): return nn.Sequential( nn.Conv2d(in_channels, out_channels, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, 3, padding=1), nn.ReLU(inplace=True)
class UNet(nn.Module): def init(self, backbone_name=BACKBONE, classes=1, encoder_weights=’imagenet’): super(UNet, self).init()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
self.backbone = BACKBONE
self.dconv_down1 = double_conv(3, 64)
self.dconv_down2 = double_conv(64, 128)
self.dconv_down3 = double_conv(128, 256)
self.dconv_down4 = double_conv(256, 512)
self.maxpool = nn.MaxPool2d(2)
self.upsample = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
self.dconv_up3 = double_conv(256 + 512, 256)
self.dconv_up2 = double_conv(128 + 256, 128)
self.dconv_up1 = double_conv(128 + 64, 64)
self.conv_last = nn.Conv2d(64, classes, 1) ``` - After ```python def CBR2d(in_channels, out_channels,kernel_size=3, stride=1, padding=1, bias=True):
layers = []
layers += [nn.Conv2d(in_channels=in_channels, out_channels=out_channels,kernel_size=kernel_size, stride=stride, padding=padding,bias=bias)]
layers += [nn.BatchNorm2d(num_features=out_channels)]
layers += [nn.ReLU()]
cbr = nn.Sequential(*layers)
return cbr
class UNet(nn.Module): def init(self, backbone_name=BACKBONE, classes=1, encoder_weights=’imagenet’): super(UNet, self).init()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
self.backbone = BACKBONE
self.enc1_1 = CBR2d(in_channels=3, out_channels=64)
self.enc1_2 = CBR2d(in_channels=64, out_channels=64)
self.pool1 = nn.MaxPool2d(kernel_size=2)
self.enc2_1 = CBR2d(in_channels=64, out_channels=128)
self.enc2_2 = CBR2d(in_channels=128, out_channels=128)
self.pool2 = nn.MaxPool2d(kernel_size=2)
self.enc3_1 = CBR2d(in_channels=128, out_channels=256)
self.enc3_2 = CBR2d(in_channels=256, out_channels=256)
self.pool3 = nn.MaxPool2d(kernel_size=2)
self.enc4_1 = CBR2d(in_channels=256, out_channels=512)
self.enc4_2 = CBR2d(in_channels=512, out_channels=512)
self.pool4 = nn.MaxPool2d(kernel_size=2)
self.enc5_1 = CBR2d(in_channels=512, out_channels=1024)
# 확장 경로(Expansive path)
self.dec5_1 = CBR2d(in_channels=1024, out_channels=512)
self.unpool4 = nn.ConvTranspose2d(in_channels=512, out_channels=512,
kernel_size=2, stride=2, padding=0, bias=True)
self.dec4_2 = CBR2d(in_channels=2 * 512, out_channels=512)
self.dec4_1 = CBR2d(in_channels=512, out_channels=256)
self.unpool3 = nn.ConvTranspose2d(in_channels=256, out_channels=256,
kernel_size=2, stride=2, padding=0, bias=True)
self.dec3_2 = CBR2d(in_channels=2 * 256, out_channels=256)
self.dec3_1 = CBR2d(in_channels=256, out_channels=128)
self.unpool2 = nn.ConvTranspose2d(in_channels=128, out_channels=128,
kernel_size=2, stride=2, padding=0, bias=True)
self.dec2_2 = CBR2d(in_channels=2 * 128, out_channels=128)
self.dec2_1 = CBR2d(in_channels=128, out_channels=64)
self.unpool1 = nn.ConvTranspose2d(in_channels=64, out_channels=64,
kernel_size=2, stride=2, padding=0, bias=True)
self.dec1_2 = CBR2d(in_channels=2 * 64, out_channels=64)
self.dec1_1 = CBR2d(in_channels=64, out_channels=64)
self.fc = nn.Conv2d(in_channels=64, out_channels=1, kernel_size=1, stride=1, padding=0, bias=True) ```
위와 같은 모델 구조를 변경하고 모델을 돌린 결과 0.660 의 점수를 얻게되었다.
학습량 증가
이전 포스팅에서 1024 x 1024 이미지를 224 x 224 크기로 crop하여 학습하기로 하였다.
이때 생기는 학습 이미지가 너무 많아서 일부만 사용하였는데, 이 양을 증가시키기로 하였다.
사실 이때 기준으로 대회 종료가 코앞이라 추가적으로 손 댈곳을 찾지 못하였다.
이미지 학습량을 기존보다 4배 정도를 사용하였다.
결과적으로 0.775 의 점수를 얻으며 상위 25%로 대회를 마무리하였다.
최종 PUBLIC 점수
