Skip to content

Latest commit

 

History

History
169 lines (117 loc) · 7.98 KB

README.md

File metadata and controls

169 lines (117 loc) · 7.98 KB
Raw

🤸‍눈바디 AI 경진대회 🤸‍♂️

팀 소개 🙋‍♀️🙋‍♂️

팀 이름 : 팀명뭘로하조


박범수
한건우
홍요한
박준혁
조혜원

배경

최근 사람들의 운동에 대한 관심도가 높아지면서 SNS에 눈바디 사진을 촬영하는 사람이 늘고 있습니다. 하지만, 우리의 눈을 얼마나 믿을 수 있을까요? 이를 AI가 보완해 줄 수는 없을까요? 이번 챌린지에서 제공된 데이터로 정교한 AI 모델을 개발한다면, 이미지 안에서 사람의 body parts별 면적을 구할 수 있습니다. 이를 통해서 눈바디 사진을 촬영하는 사람들이 내 몸의 어느 부분이 변화하고 있는지 알려주는 알고리즘을 얻고자 합니다.

주제

촬영된 사진에서 사람의 각 신체부위(body parts) 별로 semantic segmentation AI 모델 개발

데이터 소개

  • train dataset - Dense COCO 2014 Dataset (https://cocodataset.org/#home)

  • test dataset - 다양한 포즈를 취하고 있는 취하고 있는 남여의 전신 사진 (annotation을 포함한 image 800장)

  • [배경(background) - 0 / 몸통(body) - 1 / 오른손(R-hand) - 2 / 왼손(L-hand) - 3 / 왼발(L-foot) - 4 / 오른발(R-foot) - 5 / 오른쪽 허벅지(R-thigh) - 6 / 왼쪽 허벅지(L-thigh) - 7 / 오른쪽 종아리(R-calf) - 8 / 왼쪽 종아리(L-calf) - 9 / 왼쪽 팔(L-arm) - 10 / 오른쪽 팔(R-arm) - 11 / 왼쪽 전완(L-forearm) - 12 / 오른쪽 전완(R-forearm) - 13 / 머리(head) - 14]

  • labeling 정보들 중 머리(14)는 학습에 사용하는 것은 관계없으나 평가에는 사용하지 않습니다.

프로젝트 내용

사람의 Body Parts 별 Segmentation을 진행하여 변화되는 몸 상태를 확인하고 관리

EDA

  1. Validation Data 해상도가 train에 비해 상대적으로 큼

    • Validation Data 해상도가 1920x1440, 2560x1440으로 train dataset 평균보다 4~8배 정도 큰 이미지들이었음
    • 원해상도에서 inference 자체가 불가능했기 때문에 512x512로 일괄 resize 하여 사용함

  2. 모델 파일 100MB 제한

    • 모델 파일의 크기가 100MB 제한이라는 대회 규정 때문에, 100MB를 넘지 않는 한도 내에서 최대한 큰 모델을 사용하려고 함
    • 최종적으로 Efficientnet-B4 + DeepLabV3+ 조합으로 실험을 진행하였음

  3. Validation Data Annotation 확인 (좌우 바뀜 + 발 잘못됨)

    • 주최측에서 제공한 Validation Data의 좌우가 반대로 Annotation되어 수정
    • 주최측에서 제공한 Validation Data의 발 부분에 noise가 존재하여 수정

  4. COCO dataset에 대한 잘못된 mask 형식

    • 주최측에서 제공한 COCO train dataset 변환 코드에 객체별 mask가 지워지는 문제가 있어서 이 부분을 수정함

  5. 바뀐 Validation Data에 대해 목 부분이 잘못 annotation

    • Validation Data에 Head가 Right thigh로 annotation된 데이터가 있어 수정함

  6. 데이터 추가 제작

    • Validation Dataset과 COCO Dataset은 데이터의 분포가 크게 달라 COCO Dataset 만으로는 성능 향상이 어렵다고 판단함
    • Validation Dataset을 확인하여 Google, Pinterest, Naver에서 관련 키워드를 통해 Image Crawling 을 활용하여 추가 데이터를 수집함
    • 수집한 데이터로 annotation 작업하여 Train 데이터로 활용함
    • 작업들 간의 충돌을 방지하기 위해 룰을 정하고 이에 맞게 annotation을 진행하려 노력함.
      • 그래픽 이미지 제거
      • 얼굴만 있는 이미지 제거
      • Text Occulusion이 있는 데이터 제거
      • 옷만 있는 이미지 제거
      • 머리카락 숱많은 부분은 head에 포함
      • 신발은 발에 포함
      • 오버핏 (코트 기타 등등) 옷 입은 대상 제거
    • 총 331장의 데이터를 생성함 😤

  7. zoom out Augmentation / random gamma Augmentation

    • Validation Dataset에 있는 이미지 들 중에 전체 이미지 크기에서 객체가 차지하는 범위가 작은 이미지들이 존재함
    • Private Dataset에 유사한 데이터가 있다고 판단되어 Val mIoU에서 성능향상이 보이지 않더라도 추가함

    • Random Gamma Augmentation 적용시 ShiftScaleRotate만 적용시켰을 때 보다 성능이 향상 됨을 확인함

  8. TTA

    • 여러 옵션으로 테스트 하였으나 TTA 종류나 강도를 추가할 경우, 왼쪽, 오른쪽 구별 성능이 오히려 떨어지는 것을 확인함
    • 기본적인 noise만 제거하기 위해 Gamma와 시너지를 낼 수 있도록 pixel 값에 multiply(0.9, 1.0, 1.1)만 적용함

  9. CRF

    • CRF 적용을 시도했으나 annotation이 background와 color가 유사해 CRF의 영향을 받아 삭제되는 현상이 발생했고, 삭제되지 않은 부분에 대해서는 디테일하게 annotation이 적용되는 점을 확인할 수 있었음. 하지만 이번 대회에서는 적용시켰을 때에 손실량이 컸기 때문에 적용하지 않았음.

평가지표 : mIoU

  1. 각 Class별로 IoU를 모두 구합니다.
  2. 이미지에 모든 class가 존재하지 않을 것을 고려, ground truth에 존재하는 class와 prediction 결과에 존재하는 class의 합집합을 구해서 합집합 class에 속하는 class의 IoU에 대해서 평균값을 구합니다.
  3. 2.에서 이미지 별로 구한 mIoU의 평균 값을 구하여 최종 순위를 결정합니다.

결과 🏆

LB Score : 0.708717 🥈

느낀점✨

과정 외의 첫 segmentation 대회여서 긴장도 많이 되고, 다양한 기법을 활용하려고 했던 것 같습니다. 그래도 많은 것을 시도해보려고 segmentation 관련 공부를 이어 나갔고 많은 것들을 적용시키기엔 모델 용량 제한 등 제약이 있었기 때문에 아쉬운 점이 있었지만, 그래도 주어진 환경 내에 맞추기 위해서 공부들을 할 수 있어서 좋았던 것 같습니다.

대회(https://aiheroes.ai/1stchallenge)