대회 진행 상황

팀원들은 현재까지 학습한 Swin 모델들을 단순한 Augmentation만으로 성능을 끌어올리는 데 한계가 왔다고 판단하셨고, 지금 모델로도 0.7 이상의 score가 나오고 있기 때문에 이를 활용해 Pseudo labeling을 진행하기로 하셨다.
나는 이를 도움과 동시에, 현재 Train data들의 각 category에 속하는 mask를 관찰하며, 어느 걸 어떻게 분류하는 지 정확하게 알아둬야 팀원들이 작업하는 데 편하겠다고 생각했다. 예를 들어 테이프도 General trash로 따로 분류하는지, 또 페트병의 경우 보통 가운데에 라벨이 있는데, 이를 어떤 식으로 묶어놨는지 등을 확인해 Pseudo labeling할 때 적절한 category에 데이터를 넣을 수 있도록 해야 한다고 생각했다. 따라서 각 category별로 train data의 mask를 visualizing하는 코드를 짜겠다고 하였다. 하루종일 고민하다 저녁쯤에 결론이 나서 추가로 작업하지는 못했다.