안녕하세요, 딥러린이입니다.

딥러닝 공부하면서 많은 분들이 공유해주신 코드와 아이디어들 살펴보면서 잘 배우고 있습니다.

열심히 따라가면서 고민하고 있는 것은 공유하려고 하는데요, 이번에는 많이 늦긴했지만 "분류 vs 식별" 이야기입니다.

아래는 6_b5_1, 시설포도_축과병_초기에 해당하는 이미지 21장입니다.

눈으로 봤을 때 뭐가 문제인지 알 수 없는 애들도 있는데요, 더 특이한 것은 똑같은 포도송이가 여러번 등장한다는 것입니다.

imagenet 같은 데이터셋을 생각해보면 모든 이미지는 각각의 객체의 담고 있는 독립적인 데이터입니다.

딥러닝과 같은 알고리즘을 활용해서 서로 독립적인 이미지에서 패턴을 찾고, 새로운 정보를 담고 있는 새로운 이미지를 잘 분류하는 것이 일반적인 목적이고요.

아래의 두 이미지는 제가 test 데이터에서 눈으로 찾은 두 포도송이 10149, 40002번 인데요, 얘네는 높은 확률로  "6_b5_1"일 겁니다.

다른 분이 환경데이터를 시각화 해주셨는데, 시차를 두고 동일한 값을 갖는 경우가 많습니다.

같은 하우스 시설에 있기도 하지만, 아예 대상이 동일하고 시차만 존재하기도 하기 때문일 겁니다.

매 시간마다 동일한 작물을 촬영하는 것이 누군가의 업무 이거나 어떤 장비의 역할일 수 있는 것이죠.

그리고 매 사진마다 label이 붙은 것이 아니라 특정한 작물이 최종적으로 걸린 병해 정보가 해당 작물의 이미지에 일괄적으로 label로 붙었을 수도 있을 것 같네요.

이 경우, 우리가 만들고 활용하고 있는 알고리즘이 과연 새로운 작물 이미지에도 잘 먹힐까하는 고민이 필요합니다.

그런데 대회는 대회고, 데이터의 특성은 특성이고, 평가는 평가기 때문에 이걸 잘 활용하는 것이 중요해보입니다.

모두에게 몇 번남지 않은 제출기회라서 조심스럽지만, 그래도 10등 안에 들어야 뭐라도 기회가 있으니까요ㅎㅎ

애매한 위치에 있는 분들은 '이미지 분류'보다는 'ID 식별'의 컨셉으로 살짝 과적합을 해보는 것도 괜찮아 보입니다.

특히 f1 macro에 큰 영향을 미치는 건수가 적은 마이너한 병해들은 더더욱 동일한 이미지가 test데이터에 포함되어 있을 가능성이 커보입니다.

augmentation과정에서 많은 랜덤이 들어가는데요, 오히려 덜 랜덤한 것이 더 나을 것 같기도 합니다.

실력도 시간도 부족하지만 저도 이틀동안 바짝 따라 가보겠습니다:)