AnimalDatathon_code.ipynb

Animal Datathon Korea 2021 code 제출본 readme file입니다.

개요

한국축산데이터에서 구축한 가축 이미지 데이터를 활용하여 실제 구현 가능한 인공지능 학습 모델을 기획하고 개발하는 데이터톤 대회입니다.
이미지 내에 존재하는 소들의 Keypoint를 추출하는 Task 입니다.

코드 사용

AnimalDatathon_code 파일을 서버의 기본 제공 세팅 그대로 사용할 수 있습니다.

Cow Data EDA

1. 소의 색상 값이 생각보다 다양함 (흰색황색흑색)
2. PCK 측정 기준인 Torso의 시작과 끝 3번과 10번 키포인트의 거리가 짧은 outlier 존재
3. 가장 높은 분포밀도를 지니는 width - length ratio는 1.2
4. 데이터의 수 충분
5. 음영이 낮은 이미지가 많이 보임
6. 축사 구조물 혹은 사진이 찍힌 구도에 의해 keypoint 추출부가 일부 가려져 있음

Model

HRnet-Pose 모델이 정의되어 있습니다.

그 외 추가로 Polarized Self Attention 이 사용되었습니다.

• 모델에 추가적으로 장착하는 Self-Attention 모듈
• 본 대회에서는 HRNet의 BasicBlock에 추가하였음
• 데이터의 전체적인 맥락을 파악하는 Self-Attention 기법을 활용함으로써 가려지는 키포인트들을 파악할 수 있다고 판단하였음

추가 데이터

추가 데이터의 경우 총 26장이며, 현재 폴더의 added_data에 보관해 놓았습니다.

전처리

Albumentation Library를 이용한 다양한 전처리 (최종 모델제출파일에 사용된 전처리 목록)
keypoint의 좌표 변환이 동반되는 전처리는 사용하지 않음

AID, (Information Dropping Augmentation) 사용

• 이미지의 정보를 의도적으로 Dropping 하는 전처리 기법
• 사진상 가려진 keypoint 추론을 보다 효과적으로 하고, Overfitting을 방지하기 위하여 사용되었음

후처리

DARKpose, (Distribution-Aware coordinate Representation of Keypoint) 사용

• 모델이 추론한 heatmap을 modulation 한 후, 최대 밀도 분포에 기반하여 최종 추론값을 가공하는 후처리 기법
• 보다 정확한 Heatmap 분석 결과 좌표를 얻기 위하여 사용됨]

제출 파일

submission_1_2_emsemble.json

• 해당 파일은 리더보드 옆 제출 시간을 참고해 본 결과 private 기준 score로 선정된 것으로 확인되었습니다.

submission_3_emsemble.json

• 해당 파일은 리더보드 옆 제출 시간을 참고해 본 결과 public 기준 score로 선정된 것으로 확인되었습니다.

Code 구조

$ Result
├── added_data # 추가 data
│   ├── annotations
│   ├── images
├── code_1
│   ├── modules
│   │   ├── earlystoppers.py
│   │   ├── pose.py
│   │   ├── recorders.py
│   │   ├── trainer.py
│   │   └── utils.py
│   ├── hrnet-w48-train-ce-384x288.yaml
│   ├── losses.py
│   ├── main.py
│   └── model.py
├── code_2
│   ├── AID.py
│   ├── dataset.py
│   ├── hjs_model.py
│   ├── loss.py
│   ├── predict_tools.py
│   ├── PSA.py
│   ├── train.py
│   └── utils.py
├── code_3
│   ├── inference.py
│   └── train.py
├── Config # model config
│   └── heatmap_train2.yaml
├── weights # pretrained weight & train 결과 weights들
│   ├── cw_model.pt
│   ├── first_model.pt
│   ├── js_model.pth
│   └── pose_hrnet_w48_384x288.pth
├── inference_1_2_emsemble.ipynb # 앙상블 inference
├── submission_1_2_emsemble.json # private score 기준 상위 제출파일
├── submission_3.json # public score 기준 상위 제출파일
├── README.md
└── readme_img

How to Train

1. code_1 활용 Train

$ cd /Result/code_1/
$ python main.py --config ./hrnet-w48-train-ce-384x288.yaml

위명령어 실행시 /Result/weights 폴더 밑에 weight 생성

2. code_2 활용 Train

$ cd /Result/code_2/
$ python train.py

위명령어 실행시 /Result/weights 폴더 밑에 weight 생성

3. code_3 활용 Train

$ cd /Result/code_3/
$ python train.py

위명령어 실행시 /Result/weights 폴더 밑에 weight 생성

How to Inference

1. code_1,2 weight 활용 inference

$ cd /Result/
$ python inference_1_2_emsemble.py

2. code_3 weight 활용 inference

$ cd /Result/code_3/
$ python inference.py

Contributors

허재섭(shjas94)
조원(fokkersn)
송광원(remaindere)
신찬엽()