[2021.10.07] Object Detection in Kaggle

💡 Review Top Solutions in Kaggle (Object Detection Competition)

1. Global Wheat Detection

#1 Solution

Augmentation

• Custom mosaic (Random crop X. 경계선 유지하면서 Crop)
• MixUp
• Heavy Augmentation (RandomCrop, HorizontalFlip, VerticalFlip, ToGray, GaussNoise, MotionBlur, MedianBlur, Blur, CLAHE, Sharpen, Emboss, RandomBrightnessContrast, HueSaturationValue)

Data Preprocessing

• Data Cleaning
  • 높이, 너비 10px 이하 box 삭제

Model

• Models: EfficientDet, Faster R-CNN + FPN
• Stratified Kfold
  • 5 folds
  • Image source 기준
• Optimizer
  • EfficientDet: Adam lr=5e-4
  • Faster RCNN: SGD lr=5e-3
• LR scheduler: cosine-annealing
• Mixed precision (16fp, 32fp)

Post-process

• Ensemble multi-scale model => WBF
• Test time augmentation (HorizontalFlip, VerticalFlip, Rotate90)
• Pseudo labeling
  • 현업에선 사용 불가. kaggle에서만 사용 가능
  • 주어진 test dataset을 이용해 pseudo labeling 해서 사용

#9 Solution

• Model: DetectoRS + UniverseNet(Retina based)
• MultilabelStratifiedKFold with 5 folds
  • # of boxes, Median of box areas, Image Source 기준
• Heavy Augmentation
• Multi-scale training & Multi-scale testing (TTA)

2.VinBigData Chest X ray Abnormalities Detection

#1 Solution

개인 참여

• Baseline: Faster RCNN + FPN
• WBF ensemble + YOLOv5
• Ensemble with other yolo fold + other yolo hyperparameter
  ** No validations

팀 참여

• Pre-processing
  • 겹치는 box WBF로 앙상블
• CV strategy
  • 개인 참가 -> 마지막에 team up -> CV 모두 다름
  • Public LB를 CV strategy로 사용
  • 개인 submissions 앙상블 => 성능 향상
• Ensemble
  • (YOLO 여러 version, EffDet, Public Notebooks) 앙상블 -> 앙상블 -> 앙상블 + Public Notebooks -> 앙상블

** 정말 많은 실험 + 앙상블이 중요

#2 Solution

• MMDetection Grid Search로 여러 모델 찾음
  • ATSS, Cascade RFP(ResNet50), GFL, RetinaNet(ResNext101), UniverseNet
• Training Trick
  • Albumentation
  • 1024x1024 학습 -> 작은 박스 잡기 위해 2048x2048 fine-tuning
  • FP16 -> speed & batch size 증가
  • StepLR
  • Class balanced Dataset 아용 -> 성능 향상 X
• 2 Step Training
  • 모든 box -> 30 epoch train -> best checkpoint 저장
  • 전문가별 몇 개 박스 라벨링 했는지 확인
  • 박스 적게 라벨링한 전문가 이미지 -> 학습 데이터로 fine-tuning

#2 ZFTurbo's Solution

• Pre-processing: WBF
• Ensemble: YOLOv5, RetinaNet101, RetinaNet512, CenterNet, Faster RCNN
• Investigation mAP
  • OOF(Out of folds) -> 각 class별 AP
  • AP 낮은 class 조사
    • 해당 class 라벨링 전문가별 어떻게 라벨링 했는지 EDA
    • AP 낮은 전문가 - 실제 객체보다 더 큰 box
    • 위의 전문가 라벨링 박스 크기 줄임
    • 특정 전문가 box -> 매우 큰 resolution => 앙상블
• CV strategy
  • Class: 한 이미지 여러 개의 class
  • 한 이미지 당 object 개수
  • 객체 크기

Summary

• 모델 다양성
  : Resolution, Model(YOLO, EffDet,...), Library, Framework, Seed, ...
• Heavy augmentation 피리수
• CV strategy -> shakeup 방지
• 체계적인 실험
• Team up -> 서로 다른 baseline 갖는 경우 앙상블에 좋음