Boostcamp AI Tech: CV-16

팀명	KKKimch
멘토	👨‍🔬 정용기
구성원	⚽ 김도윤	🥵 김윤호	☕ 김주엽	🎬 최동혁	🏸 황순영

실행 방법

Train

$ python train.py

Inference

$ python inference.py

설명

대회 결과

• Public
  • Val F1 Score: 0.7488
  • Accuracy: 80.6190%
• Private
  • Val F1 Score: 0.7229
  • Accuracy: 79.0635%

적용 기술

Augmentations

• Albumentations 라이브러리를 이용한 Augmentation 진행

• 나이

  Augmentation	Parameter	Description
  GrayScale		흑백 이미지 변환
  CenterCrop	384	중앙 영역 잘라내기
  Sharpening	alpha = (0.5, 1)	이미지 선명화
  Horizontal Flip	p = 0.3	p 확률에 따른 좌우 반전
  Normalize	mean = (0.485, 0.456, 0.406) std = (0.229, 0.224, 0.225)	이미지 선명화

• 성별

  Augmentation	Parameter	Description
  GrayScale		흑백 이미지 변환
  UnderCrop	img_size = 384	하단 중앙 영역 잘라내기
  Sharpening	alpha = (0.5, 1)	이미지 선명화
  Horizontal Flip	p = 0.3	p 확률에 따른 좌우 반전
  Normalize	mean = (0.485, 0.456, 0.406) std = (0.229, 0.224, 0.225)	이미지 선명화

• 마스크

  Augmentation	Parameter	Description
  GrayScale		흑백 이미지 변환
  RandomResizedCrop	img_size = 384 scale = (0.8, 1.0)	중앙 영역 잘라내기
  Sharpening	alpha = (0.5, 1)	이미지 선명화
  Horizontal Flip	p = 0.3	p 확률에 따른 좌우 반전
  Normalize	mean = (0.485, 0.456, 0.406) std = (0.229, 0.224, 0.225)	이미지 선명화

모델링: Ensemble

• 나이, 성별, 마스크 분류 모델을 각각 학습하여 Inference 레벨에서 Ensemble 진행
• MobileNet V3를 통하여 신속한 모델링 완성
• S.O.T.A.의 Image Classification 정보를 바탕으로 Pretrained Model 선정
• EfficientNet V2, Swin, ViT 등의 모델 이용
• EfficientNet V2 Large
  • S.O.T.A.의 Cifar 100 데이터셋 기준 SAM Optimizer와 함께 2위에 등극

학습 방법

• 나이와 연령의 경우 2700명에 대해 각각 동일한 정보를 보유하므로 CSV의 각 Row에 해당하는 7장의 이미지 중 1장을 랜덤으로 선택하여 학습
• 마스크의 경우 2700명에 대해 7장의 이미지가 분류 대상이므로 모든 이미지$(2700*7=18900)$에 대해 학습
• Validation은 각 도메인에서 8:2로 적용
• 각 도메인에 대한 모델은 EfficientNet V2 Large 모델을 이용
• Hyper-Parameter
  • Loss Function: Focal with Label Smoothing
  • Optimizer: SAM
  • Learning rate: 0.01

학습 결과

• 나이

  • Val F1 Score: 86.4%
  • 대부분 범주의 경계에 있는 20대 후반, 50대 후반에서 오분류

• 성별

  • Val F1 Score: 99.3%
  • 머리카락 길이나 체형에 따라 오분류

• 마스크

  • Val F1 Score: 99.5%
  • 마스크의 경우, 대부분 입술이 보이면 이상 착용자도 미착용으로 오분류