KISTI 기계학습 데이터 공유·활용 서비스

프로젝트 설명
 

대전시 도로영상 객체인식 데이터셋을 활용해 도로의 포트홀/크랙 객체인식용 시각지능 시스템을 개발. 특히 자가학습 모델을 통해 데이터 부족 문제를 극복하고 인식성능을 개선.

How to Use

~/

• Demo.ipynb :  데모 영상 실행

~/GPU_Server_BackEnd

• /client_cloud.py : 제공된 KISTI 서버에서 실행
• /host_cloud.py : GPU가 있는 Host 서버에서 실행

~/GPU_Server_BackEnd/kisti

• /pseudo_eval.py
  
  • kisti pseudo-label 170 line : 여기서 우리는 crack only weight로 crack에 대해서만 pseudo-label json 생성

• /eval.py
  • kisti 168 line : 이미지 당 어떤 물체들이 검색됐는지 txt로 뽑게끔

• /output_utils.py
  • kisti uncertainty post-processing 88 line : 후처리를 통해 pseudo-label 데이터가 더 정확한 픽셀을 가지고 생성될 수 있도록 (제출한 자율주행 영상 비교 자료-ppt 18page-의 효과)
  • kisti uncertainty scoring filtering 98 line : Score에 uncertainty로 페널티를 부여해서 신뢰도 높은 검출 결과만 pseudo-labeling 되도록 하는 역할

~/GPU_Server_BackEnd/kisti/kisti_yolact

• Base Line Model: YOLACT
• /kisti
  • Model을 KISTI 경진대회에 맞게 튜닝

Performance

mAP50 = 64.06%(box), 63.01%(mask)

mAP50:95 = 46.79%(box), 43.89%(mask)

FPS = 35(RTX 2080ti)

Reference

https://arxiv.org/abs/1904.02689

Example

실험 순서

1. Crack only json으로 학습
2. Training set 중 crack이 없는 이미지들 py를 통해 pseudo-labeling
3. 위 과정에서 uncertainty를 통해 후처리, 필터링
4. 학습 이미지에 annotation 추가
5. 전체 이미지 학습
6. py로 기존 weight와 검출 결과 비교 txt 뽑기

발표자료.pdf ( 4.00 MB )

소스코드.zip ( 12.00 GB )