Recommandé
Recommandé
Contenu connexe
Plus de AvitoTech
Plus de AvitoTech (20)
Сегментация изображений на острие науки (Евгений Нижибицкий, Rambler&Co)
- 1. Avito Data Science Meetup Сегментация изображений на острие науки 28 октября 2017 Евгений Нижибицкий (nizhibitsky@ya.ru)
- 2. Konika Minolta Image Segmentation Challenge Постановка задачи Задача — выделение регионов на гистологических снимках размером 500x500 px. Метрика качества — 1000000 × F1micro + Diceinstnce-wise 2 . • Обучающая выборка: 168 снимков • Тестовая выборка: 162 снимка Евгений Нижибицкий Сегментация изображений на острие науки 1 / 38
- 3. Konika Minolta Image Segmentation Challenge Небольшое дополнение к постановке задачи • Обучающая выборка это не 168x500x500, а 42x1000x1000 • Тестовая выборка это 30x1000x1000 ∪ 42x500x500 42 картинки из теста (и соответствующие им маски) можно найти в обучении: Подробнее — www.youtube.com/watch?v=u4ZwBqXRgcE. Евгений Нижибицкий Сегментация изображений на острие науки 2 / 38
- 4. Konika Minolta Image Segmentation Challenge Обзор существующих подходов (1/2) Евгений Нижибицкий Сегментация изображений на острие науки 3 / 38
- 5. Konika Minolta Image Segmentation Challenge Обзор существующих подходов (2/2) Евгений Нижибицкий Сегментация изображений на острие науки 4 / 38
- 6. Konika Minolta Image Segmentation Challenge Обучаем модели Пробуем архитектуры U-Net, ENet и LinkNet: Евгений Нижибицкий Сегментация изображений на острие науки 5 / 38
- 7. Konika Minolta Image Segmentation Challenge Делаем правильные посылки Сделанные посылки Финальный рейтинг Евгений Нижибицкий Сегментация изображений на острие науки 6 / 38
- 8. Carvana Image Masking Challenge Постановка задачи Задача — выделение автомобилей на снимках автосалона. Метрика качества — Dice coefficient. • Обучающая выборка: в сумме ≈5000 снимков для 16 ракурсов • Тестовая выборка: ≈100000 снимков, из которых большинство не учитывались Евгений Нижибицкий Сегментация изображений на острие науки 7 / 38
- 9. Carvana Image Masking Challenge Особенности задачи Довольно быстро достигалось качество dice > 0.996. Борьба шла за 0.997 + ϵ. Евгений Нижибицкий Сегментация изображений на острие науки 8 / 38
- 10. Carvana Image Masking Challenge Особенности задачи На «хороших» изображениях все решала не точность модели, но точность размечавших. Евгений Нижибицкий Сегментация изображений на острие науки 9 / 38
- 11. Carvana Image Masking Challenge Наша команда Евгений Нижибицкий Сегментация изображений на острие науки 10 / 38
- 12. Carvana Image Masking Challenge Командное взаимодействие Евгений Нижибицкий Сегментация изображений на острие науки 11 / 38
- 13. Carvana Image Masking Challenge Обзор использовавшихся моделей U-Net — серебряная пуля недавнего времени. Евгений Нижибицкий Сегментация изображений на острие науки 12 / 38
- 14. Carvana Image Masking Challenge Обзор использовавшихся моделей LinkNet — зарекомендовала себя в новых задачах. Евгений Нижибицкий Сегментация изображений на острие науки 13 / 38
- 15. Carvana Image Masking Challenge Обзор использовавшихся моделей Лидер CityScapes PSPNet, который здесь не подходил. Евгений Нижибицкий Сегментация изображений на острие науки 14 / 38
- 16. Carvana Image Masking Challenge Первые успехи с LinkNet Евгений Нижибицкий Сегментация изображений на острие науки 15 / 38
- 17. Carvana Image Masking Challenge Монстры на основе LinkNet Каждый блок Encoder’а (ResNet) уменьшает размер изображения в 2 раза: Затем блоки Decoder’а его восстанавливают до исходного. Производительность это хорошо, но что если менять Encoder для лучшего качества? Евгений Нижибицкий Сегментация изображений на острие науки 16 / 38
- 18. Carvana Image Masking Challenge Монстры на основе LinkNet Можно найти «места разреза» на Encoder’ы для Inception-V3: Евгений Нижибицкий Сегментация изображений на острие науки 17 / 38
- 19. Carvana Image Masking Challenge Монстры на основе LinkNet Или для DenseNet (все уже нашли до нас): Евгений Нижибицкий Сегментация изображений на острие науки 18 / 38
- 20. Carvana Image Masking Challenge Монстры на основе LinkNet Евгений Нижибицкий Сегментация изображений на острие науки 19 / 38
- 21. Carvana Image Masking Challenge Монстры на основе LinkNet Так родились самые производительные монстры для наших ансамблей: Евгений Нижибицкий Сегментация изображений на острие науки 20 / 38
- 22. Carvana Image Masking Challenge Итоговая модель Правда построить потом предсказания было той еще задачей: Евгений Нижибицкий Сегментация изображений на острие науки 21 / 38
- 23. Carvana Image Masking Challenge Итоговая модель Как и задача их смешать: Евгений Нижибицкий Сегментация изображений на острие науки 22 / 38
- 24. Carvana Image Masking Challenge Итоговая модель Но это приносило свои плоды: Предсказание 1 модели Предсказание ансамбля Евгений Нижибицкий Сегментация изображений на острие науки 23 / 38
- 25. Carvana Image Masking Challenge Итоговая модель Финальный LB: Евгений Нижибицкий Сегментация изображений на острие науки 24 / 38
- 27. Cinema Headcount and Socdem Classification Постановка задачи Текущее состояние рекламы в кино: Задача — определять охват и соц-дем во время киносеансов. • Подсчет по билетам не точен • Полагаться на соц-дем приобретающих безнадежно • Зато есть камеры в более чем 600 залах Евгений Нижибицкий Сегментация изображений на острие науки 26 / 38
- 28. Cinema Headcount and Socdem Classification Постановка задачи Евгений Нижибицкий Сегментация изображений на острие науки 27 / 38
- 29. Cinema Headcount and Socdem Classification Постановка задачи Евгений Нижибицкий Сегментация изображений на острие науки 28 / 38
- 30. Cinema Headcount and Socdem Classification Особенности данных Евгений Нижибицкий Сегментация изображений на острие науки 29 / 38
- 31. Cinema Headcount and Socdem Classification Особенности данных Евгений Нижибицкий Сегментация изображений на острие науки 30 / 38
- 32. Cinema Headcount and Socdem Classification Особенности данных Евгений Нижибицкий Сегментация изображений на острие науки 31 / 38
- 33. Cinema Headcount and Socdem Classification Работа моделей Пример предсказанной при помощи LinkNet маски: Евгений Нижибицкий Сегментация изображений на острие науки 32 / 38
- 34. Cinema Headcount and Socdem Classification Работа моделей Визуализация с соответствующими точкам регионами: Евгений Нижибицкий Сегментация изображений на острие науки 33 / 38
- 35. Cinema Headcount and Socdem Classification Работа моделей Для последующего обучения классификатора разметка изначально содержала таргеты Евгений Нижибицкий Сегментация изображений на острие науки 34 / 38
- 36. Cinema Headcount and Socdem Classification Работа моделей Предсказания делаются для найденных регионов Евгений Нижибицкий Сегментация изображений на острие науки 35 / 38
- 37. Cinema Headcount and Socdem Classification Работа моделей Совмещенные предсказания: Евгений Нижибицкий Сегментация изображений на острие науки 36 / 38
- 38. Cinema Headcount and Socdem Classification Итоговый «leaderboard» Можете улучшить? CV -> e.nizhibitsky@rambler-co.ru Евгений Нижибицкий Сегментация изображений на острие науки 37 / 38