2024-02-20 Meeting #6

Report: report/notes: https://handsome-green-2fa.notion.site/20-Feb-2024-0310026c8a7b487a9f9238c539513d43?pvs=4

TODO

  1. Atkārtot 1:1 eksperimentu ar bibliotēkām, kas bija orģinālajā eksperimentā, lai tiktu līdz tādam pašam rezultātam kā bija paper (AP 40 vs 47.2, AP 75 50+). Ja rezultāti labāki, atrast precīzi kuri parametri mm-detection lib ir nomainīti versijā

  2. Ja rezultāti nav labi, tad veikt nelielu hiper-parametru pārmeklēšanu - iesaku apvienot Raytune ar HEBO (ar ievērojami maz eksperimentu skaitu var atrast labākos params https://github.com/huawei-noah/HEBO). Uzmanīgi dokumentēt visus eksperimentus, lai nav jāveic atkārtoti.

  3. Padomāt kā varētu izmantot Deformable Convolutional Networks (DCN) centroid densities, lai izveidotu metriku, kas nosaka cik precīzi modelis iemācījies atrast objektus. Līdzīgi Class Activation Maps, GradCAM utt https://jacobgil.github.io/pytorch-gradcam-book/Class%20Activation%20Maps%20for%20Semantic%20Segmentation.html

  4. Atrast 20-50 problēmātiskos paraugus COCO un dokumentēt, lai argumentētu, ka AP nemaz nevar augstu sasniegt, jo datu kopas ir netīras

  5. Overleaf pēc parauga izveidot vēl SLR tabulas un aprakstīt:

    1. Modeļu salīdzinājums

    2. Datu kopu salīdzinājums vai Rādītāju salīdzinājums

    3. Kvalitātes vērtēšanas kritēriji

Notes

FiftyOne - computer vision tool - segmentation, classification browser

Tādi paši 2 batchsize, resolution neaiztiekot 8 GPUs

memory leak 4 epoch crashed

pretrained imagenet model

 

Mask-rcnn + Deformamble backbones

image-20240220211336509