[P stage1] 우린아직젊조

Project Overview

• 코로나 확산에 따른 일상생활에서 마스크 착용이 의무화가 되면서 감염을 막기위해서는 코, 입을 올바르게 착용하는 것이 중요한 상황
• 공공장소에서 이를 검사하려면 추가적인 인적자원이 필요
• 카메라에 비춰진 얼굴 이미지로 마스크 착용여부와 올바르게 쓴게 맞는지 가려내는 시스템이 필요

최종 결과

Public f1 Score : 0.7568

Private f1 Score : 0.7514

최종 순위 : 11/48

Objective

성별, 연령, 마스크 착용 여부에 따라 사진을 총 18개의 클래스로 분류

How to Solve

EDA를 통해 데이터를 분석하고 분석한 결과를 바탕으로 데이터 전처리를 진행했다. 그 후 적절한 모델을 선정하여 학습시키고 다양한 기법들을 활용하여 성능을 증가시켜나갔다.
자세한 내용은 Wrap up Report에 기술해 두었다.

Data Overview

class	mask	gender	age
0	Wear	Male	<30
1	Wear	Male	>=30 and <60
2	Wear	Male	>=60
3	Wear	Female	<30
4	Wear	Female	>=30 and <60
5	Wear	Female	>=60
6	Incorrect	Male	<30
7	Incorrect	Male	>=30 and <60
8	Incorrect	Male	>=60
9	Incorrect	Female	<30
10	Incorrect	Female	>=30 and <60
11	Incorrect	Female	>=60
12	Not Wear	Male	<30
13	Not Wear	Male	>=30 and <60
14	Not Wear	Male	>=60
15	Not Wear	Female	<30
16	Not Wear	Female	>=30 and <60
17	Not Wear	Female	>=60

Explanation

• Best directory
  학습된 모델을 모아놓은 directory

모델 설명

모델 이름	설명
CoAtNet_81.pth	CoAtNet-b0 transformation4. imbalancedsampler. label에 따라 다른 augmentation. label smoothing.
mask_model.pt	EfficientNet-b0 transformation4. imbalancedsampler. label smoothing. Focal Loss. <57 label change
Resnet_80.pth	ResNet18 transformation4. labelsmoothing. imbalancedsampler. label에 따른 augmentation. <58 label change
Resnet_mixup.pth	ResNet18 transformation4. imbalancedsampling. Mixup.

활용 기법

EDA

• pandas,matplotlib,seaborn등의 라이브러리를 활용했다.
• 나이,성별 : Seaborn의 CountPlot 활용했다.
• 마스크 착용 여부 : Seaborn의 BarPlot 활용했다.

• EDA, Augmentation, Sampler.ipynb
  EDA, Augmentation 기법 적용, Sampler 분석 노트북

Augmentation

• ToGray: 흑백 효과를 추가하여 머리색이 나이를 판단하는 기준에 머리색뿐이 아닌 주름살같은 피부요인도 고려해보게끔 유도하였다.
• CourseDropOut: 사진에 임의의 hole을 발생시켜서 학습효과 향상을 기대하였다.
• ChannelDropOut: 임의의 색 변화를 통해 다양한 요인에서 학습을 시켰다.
• MultiplicativeNoise: Noise 효과를 줘서 화질이 조금 안좋은 사진에서도 학습시켰다.
• HorizontalFlip: 거꾸로 된 사람은 없기 때문에 좌우 반전만 시도했다.
• CenterCrop: 사람의 안면 부분만 따로 빼내기 위해 사용했다.
• Resize: 모델의 크기에 맞게 조정하기 위해 사용했다.
• Normalize: 사진의 색을 최대한 원본색에 가깝게 하기위해 사용했다.

Class Imbalance & Data Labeling

• ImbalancedSampler 기법을 사용하여 under sampling과 over sampling을 적절히 섞었다.
• Smooth labeling 기법을 사용하여 one-hot encoding을 방지했다.
• Cross Entropy대신 Focal Loss를 활용했다.
• 60세 이상의 자료가 부족했기 때문에 57세 이상부터 60대로 분류했다.

• Preprocessing.ipynb
  Data Pipeline 용 코드

• Ensemble.ipynb
  Best directory에 있는 학습된 모델들을 soft-voting을 통해 valid 및 submission file을 만들 수 있는 코드