[DL] MGFN_2

📝 세번째 시도

Dataset

데이터 불균형 해소

• Normal 200개 (train 160, test 40)
• Abnormal 200개 (train 160, test 40)
  • Arson 50개 (train 40, test 10)
  • Assault 50개 (train 40, test 10)
  • Fighting 50개 (train 40, test 10)
  • Shooting 50개 (train 40, test 10)
• 추출되어 있는 I3D feature data(npy) 사용 - train, test data
• test data의 anomaly annotation txt file 사용
  • test data annotation 없는 경우 직접 생성
• list 파일: train, test numpy data의 경로 표시
• test data ground truth(gt.npy) 생성

Hyperparameter

• dropout: 0.2, 0.5, 0.7
• batch size: 16
• learning rate: 0.001, 0.01
• epoch: 30, 100

모델 성능 비교

CASE 1: dropout rate

batch size: 16, learning rate 0.001, epoch: 30 고정
① dropout 0.2 → recall : 0.87203, ROC AUC : 0.82397
② dropout 0.5 → recall : 0.77679, ROC AUC : 0.81687
③ dropout 0.7 → recall : 0.83758, ROC AUC : 0.83645

CASE 2: learning rate

batch size: 16, epoch: 30, dropout 0.7 고정
① dropout 0.001 → recall : 0.83758, ROC AUC : 0.83645
② dropout 0.01 → recall : 0.76915, ROC AUC : 0.80982

CASE 3: epoch

batch size: 16, learning rate 0.001, dropout 0.7고정
① epoch 30 → recall : 0.83758, ROC AUC : 0.83645
③ epoch 100 → recall : 0.80138, ROC AUC : 0.85044

Review

• 
• CASE E
  

추후 계획

• 이미 학습된 모델로 무기 데이터를 학습할 수 있을지 찾아보기
• 새로운 영상으로 모델 테스트
• 이상행동이 나타나면 알려주는 시스템