Comments 8
А какие критерии принадлежности к классу?
Я тут вижу либо два глобальных класса — с подлокотниками и без, либо шесть классов — три модели в дух цветах, так бы классифицировал магазин мебели.
Вы про стулья над катом? Не имею ни малейшего понятия.
Имена классов не были даны, так что остается только догадываться. На самом деле, конкретно на приведённой картинке явный пример неправильной разметки (те, кто размечали данные, тоже люди, и когда граница классов очень размытая, они могут ошибаться), потому что на левой нижней и правой нижней картинках, например, изображён буквально один и тот же стул.
Этой картинкой я хотел подчеркнуть: классы были настолько близкими, что имея на руках какие-то текстовые критерии (например, «средней высоты стул с деревянной спинкой») даже люди не могли их различить. Ну а соревнующимся это в свою очередь добавляло сложностей. Впрочем, в реальной жизни всё обычно примерно так и бывает — ни данные, ни разметка не идеальны.
Имена классов не были даны, так что остается только догадываться. На самом деле, конкретно на приведённой картинке явный пример неправильной разметки (те, кто размечали данные, тоже люди, и когда граница классов очень размытая, они могут ошибаться), потому что на левой нижней и правой нижней картинках, например, изображён буквально один и тот же стул.
Этой картинкой я хотел подчеркнуть: классы были настолько близкими, что имея на руках какие-то текстовые критерии (например, «средней высоты стул с деревянной спинкой») даже люди не могли их различить. Ну а соревнующимся это в свою очередь добавляло сложностей. Впрочем, в реальной жизни всё обычно примерно так и бывает — ни данные, ни разметка не идеальны.
Что такое bottleneck-признаки?
В статье было краткое описание:
Выглядит это примерно так:
Поскольку это activation map последнего сверточного слоя, это по сути максимально точные и высокоуровневые признаки, которые модель выучила, и, соответственно, их можно успешно использовать для классификации (по сути Dense-слой, который идет дальше, и есть классификатором).
так называемые bottleneck-признаки (фичи на выходе с последнего сверточного слоя)
Выглядит это примерно так:
Поскольку это activation map последнего сверточного слоя, это по сути максимально точные и высокоуровневые признаки, которые модель выучила, и, соответственно, их можно успешно использовать для классификации (по сути Dense-слой, который идет дальше, и есть классификатором).
Спасибо за рассказ! А сохранились какие-то логи улучшения метрики по мере добавления методов? Особенно интересно сколько получилось на каждом виде стекинга выжать
Из того, что было под рукой, есть динамика метрики по мере добавления моделей в ансамбль (тут видно порядок отбора моделей и улучшение точности):
Имеется в виду стекинг перцептроном поверх bottleneck-фич? Для него, к сожалению, промежуточных результатов нет.
Особенно интересно сколько получилось на каждом виде стекинга выжать
Имеется в виду стекинг перцептроном поверх bottleneck-фич? Для него, к сожалению, промежуточных результатов нет.
Sign up to leave a comment.
iMaterialist Furniture Challenge или 50 оттенков стульев