학술대회 발표: 권준혁(발표자)
and Inverse Perspective Mapping in Road Scenes**
https://github.com/tree-jhk/Road_Semantic_Segmentation_with_IPM
1️⃣ Model Selection
하이퍼파라미터들을 고정시킨 채로, 여러 segmentation 모델들에 해외 차도 데이터셋(KITTI dataset)으로 학습시켜서 초기 mIoU가 높았던 DeepLab V3와 FCN을 선택했습니다.
2️⃣ Batch size Selection
Batch size는 방대한 데이터를 빠르게 처리하기 위해 GPU들에 최대로 할당할 수 있는 메모리보다 조금 여유를 줘서 정했습니다.
3️⃣ Early stopping
Validation score, minimum loss 등을 활용해서 특정 조건들을 설정해서, 해당 조건들이 True가 되면, 학습이 진행되는 것이 아니기 때문에 학습을 중단하게 했습니다. 나중에는 더 많은 데이터를 학습시켜서 에포크를 충분히 키워도 오버피팅이 발생하지 않게 됐습니다.
4️⃣ Maximize GPU utilization
**GPU 2개의 utilization을 99%**에 가깝게 사용할 수 있도록 했습니다.
5️⃣ Reproducibility
최종적인 결과를 결정하는 단계에서는, 학습할 때마다 최소 loss값이 조금씩 달라져서 이러한 무작위성을 해결하고자 했습니다.
그래서 각종 random seed들을 무작위가 발생할 부분들에 부여했습니다. 결과들을 학습할 때마다 동일하게 재현해서 결과를 결정 지었습니다.
6️⃣ Adding more data
유튜브에서 그림자가 많은 도로 주행 영상들을 프레임 단위로 끊어서 이미지들을 만들었습니다.
이미지 크기와 기존 라벨링의 RGB와 일치시켜서 직접 라벨링을 진행한 데이터들을 갖고 있던 데이터셋에 추가해서 성능을 추가적으로 향상시켰습니다.
7️⃣ Made mIoU calculator
학습된 모델의 mIoU 성능을 측정하기 위해, 모든 모양의 mIoU를 계산하는 코드를 작성해서 mIoU를 구했습니다.
모든 모양의 IoU 계산하는 방법(IoU 구현하기) - 완성판 -with cv2
8️⃣ Inverse perspective mapping
mIoU의 강건성을 test하기 위해, 새로운 데이터인 국내 도로 주행 데이터를 사용했습니다.
팀원이 생성해준 inverse perspective mapping한 이미지들을 연속적으로 이어 붙여서 논문의 최종 목표였던 연속성이 강건했음을 확인할 수 있었습니다.
