2018 . 5. 24

• resnet v1 fixed
• Learning rate Scheduler
• L2 Loss
• model save

function to add

• Augmentation Scheduler
• Model Restore
• Transfer Model
• Fine Tuning
• L1 Loss
• 왜 utils.plot_images 에서 255 로 나누지 않으면 보이지 않는거지? -->uint8로 바꾸어야 한다.
• imgaug 을 사용할때도 uint8로 바꾸어야 한다.

Opinion

should to fix

• augmentation 을 input pipe line 에 넣어서 (py_func 사용 ) 한번에 처리하는 코드
• validation 의 generation 확인하는 법

def init(self , recorder ): print '####################################################' print '# Tester #' print '####################################################' if recorder == None: self.recorder = recorder self.val_acc=0 self.val_loss=0 self.max_acc=0 self.min_loss=10000000

## 구 버전과 통합하기 위해 w=None 을 추가했다. ##
def get_class_map(self,name, x, cam_ind, im_width , w=None):
    out_ch = int(x.get_shape()[-1])
    conv_resize = tf.image.resize_bilinear(x, [im_width, im_width])
    if w is None:
        with tf.variable_scope(name, reuse=True) as scope:
            label_w = tf.gather(tf.transpose(tf.get_variable('w')), cam_ind)
            label_w = tf.reshape(label_w, [-1, out_ch, 1])
    else:
        label_w = tf.gather(tf.transpose(w), cam_ind)
        label_w = tf.reshape(label_w, [-1, out_ch, 1])

    conv_resize = tf.reshape(conv_resize, [-1, im_width * im_width, out_ch])
    classmap = tf.matmul(conv_resize, label_w, name='classmap')
    classmap = tf.reshape(classmap, [-1, im_width, im_width], name='classmap_reshape')
    return classmap

모델을 복원시키고 get_class_map을 통해서 weight 을 복원시킬려 하면 에러가 난다. label_w = tf.gather(tf.transpose(tf.get_variable('w')), cam_ind) 이 부분에서 에러가 난다. scope 가 final 이고 weight 이름이 w 인데 못찾는 것이다

그 이유가 짐작컨데 get_class_map을 실행시킨것도 함수영역이라 그런게 아닐까 싶다.

CAM 을 얻으려면 bias 을 빼야 하나 마지막 부분에서 ?

CAM 을 얻으려면 한장씩 해야 한다 , 복수장씩 할려면

CAM 에서 바로 큰 activation map 을 얻을수 있다

cam_ind 는 필요없다

Tester에서 eval 을 추가하고 block box 을 추가했다 , Tester 하수에 None 을 넣은게 잘한걸까 , 어떻게 짜야 더 잘 짰다고 할수 있을까

추가해야 할점 sensitivity 와 specifiy 을 보여줘야 한다 . 평가 모델에서

모든 데이터셋은 Train , Test ,Val 이렇게 나누는 걸로 한다.

비정상 accuracy 와 정상 accuracy 가 어떻게 ?

라벨별 accuracy 을 보여주어야 한다 .

지금 255 로 나누고 있는데 그게 아니라

이미지 전체의 평균과 분산을 빼는 방향으로 Normalization 을 해야 한다 .

2018 6.4 + Tester, validate 에 label 별 accuracy 추가 기능 2018 6.4 + show_acc_by_label : 라벨별로 accuracy 넣을수 있는거 추가..

2018.6.4 np.where 때문에 에러가 났었다. 간단하게 cls=[cls == cls_ind]로 바꿨다. np.nonzeros , np.where 등의 활용에 대해 연구하자

2018.6.5 np.where 때문에 에러가 났었다. Regression 추가를 위해 loss function 을 추가한다. loss function 을 선택할수 있는 option 을 각 모델마다 넣는다.

2018.6.7 Regeression 모델에서는 정답이 int 가 float 이 필요히다. 앞으로 모든 라벨은 float 로 하는걸로 한다 .

수정 사항 : Dataprovider.get_sample Dataprovider.reconstruct_tfrecord_rawdata

label = int(example.features.feature['label'].float_list.value[0]) sample 데이터 셋에서 ...

수정사항 다시 원상 복귀..