2022-04-19 Planning Meeting #24

TODO Laughter

1. Jau izdarīts - Re-labelling report laugh 20 samples, pirmajos 50 paraugos

2. Problēma ar Smalkās sievietes balsi - Paņemt VoiceIDs un iekļaut laughter / other daļās no šejienes http://share.yellowrobot.xyz/1650441713-vid/2022-04-20_voice_id.zip

   

3. Apmācīt modeli ar pretrained torchvision DenseNet121, ResNext, WideResNet, RegNet un ConvNext - dokumentēt rezultātus katrai arhitektūrai

4. Weights coef problēma - train daļā pārāk daudz false positives - izveidot report, kur secīgi 100 paraugus no train kopas analizēt, kurie bija FP, FN - atrast, kas tiem kopīgs

TODO Clustering-AE

1. Implementēt Tensorboad projector ar meta_img, kā arī papildus informāciju meta_headers par orģinālo un target klasi - pārbaudīt vizuāli, kāpēc veidojas sub-clusters un kādi ir outliners - sagatavot report. Ņemt vērā, ka attēlus pievienojot var nevarēt tos ielādēt vienā failā, ja būs par daudz, bet ar mazu izmēru 28x28 varētu strādāt arī daudz.

piemērs

x
# label_img: :math:`(N, C, H, W)
tensorboard_writer.add_embedding(
  mat=torch.FloatTensor(np.stack(list_projector_embs)),
  label_img=torch.FloatTensor(np.stack(list_projector_imgs)).unsqueeze(dim=1), # unsqueeze grayscale dim
  metadata=list_projector_labels,
  global_step=epoch, tag=f'{meter_prefix}_emb')

Tensorboard projector piemēri

2. Pārbaudīt hipotēzi, ka var sasniegt labāku sadalījuu clusteriem, ja sākotnēji K count adaptīvi mainās (sākotnēji K vairāk, beigās mazāk vai otrādi, katrus N epochs mainīt K, papildus hyper params K_min, K_max, K_interval)

3. Pārbaudīd C-AE ar vairāk clusters

4. Implementēt EMNIST un CIFAR10

TODO Thesis

1. modeļa salīdzinājums pret ODE tieši tas pats paraugs

2. research table Problemsfrema Modelis, dati, metrikas rezultiem Citāt skaits, vai ir piejams

3. Formāli pierakstīt kļūdas funkcijas kā vienādojums

• "Preprocessing the input with feed-forward layers allows your model to project the data into a space with easier temporal dynamics. This can improve performance on the task." => temporālā dinamika
• Rollout (iteratīvs prognozēšanas process?) => recurenta prognoze uz priekšu
• Fully connected layer (lineārs slānis?) => Lineārā transformācija
• Downsampling (signāla retināšana?) => signāla retināšana
• Overfitting => Pārapmācīšanās
• Curriculum learning (apmācības plāns?) => Pakāpensika mācīšanās