Комментарии 4
привет! спасибо за статью. есть пара вопросов:
какие архитектуры исследовались под задачу и можно ли чекнуть сравнение качества?
датасет закрыт?
я так понимаю, модель не тюнилась и просто дообучалась?
Не стал изобретать велосипед и просто выбрал самую лучшую архитектуру из тестов ImageNet. На тот момент это была EfficientNet. Так как она полностью удовлетворила потребности и была лучшей в ImageNet, то решил что дальше экспериментировать с архитектурами нет особого смысла. И была проблема в обучающем датасете - маски для деревьев раскрашивались вручную и он был мал. В этом случае бутылочным горлышком при сравнении могла стать не архитектура, а датасет. Тем не менее, есть жалобы на EfficientNet, что она не такая уж и efficient и готов в какой-то степени их поддержать: https://gist.github.com/rwightman/ccbba19a21a4e6c6c9d54c0de64c0e64. В самом конце текущей статьи есть ссылка на сравнение разных PyTorch-версий моделей CV и вот ещё сравнение: https://paperswithcode.com/sota/image-classification-on-imagenet, но тут больше по рисёчам, которые часто далеки от продакшена и эмпирики.
Не знаю, я занимался только нейронкой =(
Мне кажется оба термина тут вполне уместны, и fine tuning, и дообучение. Так как дообучающий датасет был как раз по задаче — маска для деревьев.
Обучение было на каких материалах? Аэро или космо? И как модель будет обучаться на снимках например с зимы, где нет крон?
Космо
Если в обучающем датасете не будет зелёных крон, то обучить модель распознавать зелёные кроны на таком датасете не получится =)
Если предположить, что нужно работать с тем что есть, а именно с зимней съёмкой... Как-то обучал нейросетку распознавать засохшие кроны/деревья на летней аэрофотосъёмке с дрона и всё работало отлично. Когда из интереса нейросетке подсунули зимние фотки, то она тоже справилась. То есть можно распознавать голые зимние кроны и по ним экстраполировать зелёные кроны.
Машинное обучение на службе урбанистики