2021.10.13 멘토링

[kmouleejunhyuk]

• 지난 주 회고

  • 재환

    • setting 끝났는데...어떤 실험을 해야할지 햇갈린다 → 공부 말고 mAP 올리기에 치중

    • 면접때 받았던 질문인 "빨강, 초록, 파란 보드마카 디텍션을 어떻게 하시겠어요?" 와 같은 질문에 대답할 수 있도록 하는 것이 원래 목표였는데 못 이룬 것 같아서 아쉽다.

      • 지금은 물체의 색, 질감 등을 고려해야 하는 것을 알기에 쉽게 답하기 힘들다.

    • covy's answer

      • 이렇게 하면 될것 같다 라는 느낌이 들려면 많이 경험하는 것이 중요하다. 예시로, convolution에서 채널의 의미, shift
        invariant 등에 답을 찾으려면 많이 물어보고 다양한 의문을 가지는 자세를 가지게 되면 늘게 된다.
      • 조급해지면 오히려 더 안좋다. 인생의 방향성이 있으면 속도는 중요하지 않다. (명언,,,)
      • "convolution은 질감에 더 특화된 방법이다.." 와 같은 카더라를 자주 접하고 조금씩 익숙해지는 것이 중요하다.
      • line by line으로 이해하기보다는 모델의 아키텍처나 코드 위에 기능을 구현해보는 방식으로 공부해야 지루하지도 않고
        오래 갈 수 있다.
      • 이번대회는 전체적인 파이프라인을 경험한다 정도로 생각하는 것이 좋을듯 하다. detection에 관심이 있으면 프로젝트를
        하나 해보는것도 좋다(kaggle 등 대회도 좋음).
      • 너무 큰 목표를 세우지 말고, 단계적으로 수행해 보면 좋을 것 같다

  • 강지우

    • 생활속의 쓰레기 영상을 실제로 detect 해보는 프로젝트 생각해봤다.

    • 하드웨어 결함때문에 고생

    • 캐글 대회에서 사용되는 heavy augmentation 적용, 성능 향상

    • 재환님처럼 리더보드에 너무 신경을 많이 쓴 대회였다

    • Augmentation 의 목적이 뭔지 햇갈린다

      • 모델이 쉽게 학습할 피쳐를 지우고 다른 피쳐를 학습하도록 유도
      • 일반화가 잘 되도록 유도(강건한 모델)
      • 모델이 필요한 요구사항에 대응할 수 있게 만드는 것이 중요한 것 같다
      • ocr의 경우 폰트, 해상도 등등이 다양하다. → 폰트 크기 예측 후 해상도를 조절한 뒤 OD, 블러등이 심하거나 너무 작은 이
        미지는 학습에 사용 안할 수 있음

    • scalable code는 뭐죠?

      • 새로운 기능을 추가 및 제거할 때 많은 수정과 side effect없이 돌아가는 코드: 기능별 모듈화, 추상화가 잘 되어 있는 코드: SOLID라는 개념을 공부해봐도 좋음
      • 사이드 프로젝트 수행하면서 부캠 끝나고 공부해보면 좋을 듯

  • 서지유

    • 많은 아이디어와 인사이트를 얻은 대회였다

    • 스스로 파이프라인에 익숙해져서 가설검증을 경험해 본 것에 만족했음

    • 앞으로 가설을 세우고 검증하는 데 어려움은 없을 것 같음

    • 코테 준비 등 취준도 해야할 것 같다

      • covy - 선택과 집중: 부캠때는 부캠해도 좋을 듯 하다

    • 블러 심한 이미지 사용하기 위해 de-bluring모델은 사용하지 않나요?

      • 사이드이펙트가 더 심하다(크고 무거운 모델)
      • tricky한 데이터를 UI에서 잘 막아내는 것도 필요

    • 물체 간 위치 관계가 의미 없는 데이터였는데, mosaic가 효과적이지 않을 수 있을 것 같습니다.

      • batch를 줄이는 의미는 있다. RGB를 바꾸는 augmentation처럼 generalization에 조금 더 유리

    • mosaic시 중복된 데이터가 들어가는 것이 맞나요

      • 의미없을 수도 있다. scale을 다양하게 random하게 만들 수 있으면 더 나을 것 같다. object만 crop하는 등
      • aug 시 overfitting 방지, generalize가 잘 되도록 만드는 것이 중요

  • 전경재

    • 여러모로 원하는 대로 안됨
    • 모델이 이상하게 분류할수록 점수가 좋아서 혼란이 옴
    • covy: 대회와 이론의 괴리가 있음. 처음에는 가설검증 등이 힘든 게 당연. 대안적인 목표를 잘 세우면 좋을 듯 → 구체적인 목
      표설정을 해보는 것도 좋을 것 같음
    • 분위기 어두워 적응이 힘들다 → 분위기는 중요
    • confidence버그를 수정해도 mAP 성능 향상은 없음
      • covy: valid set의 값을 뽑아서 confidence를 확인해보면 좋을 것 같다
      • covy: 이해는 잘 안가나, 디버깅을 하면서 valid set에서 그려 보면(mAP) 도움이 될 것 같다
    • 사이즈(고정 크기)에 따른 mAP, 비율일 줄 알았는데
      • kernel sliding 방식의 convolution 특성 상 이미지 안의 비율이 별로 중요하지 않다
      • 이미지 내 객체의 절대적인 크기가 inference 시 더 중요하다

  • 송나은

    • 디스커션 보고 많이 배움

  • 곽지윤

    • 초반에는 모델 만지다가 앙상블 구현 시 호환성 좋은 코드를 처음 만들어 봤는데, 어려워서 코드 공부 더 해야겠다 생각

  • 이준혁

    • interactive 협업 관점에서 만족
    • 한 모델을 파느라 다른 sota 공부 부족

• general feedback from covy
  대회는 잘 수행했고, 문서화 및 회고를 잘 하면 좋을 시기.
  side-project도 디벨롭하면 배울 점이 많을 것 같음