HSV

DACON 예술작품 화가 분류 AI 경진대회

6 min read

Related to: Project

GitHub - 404Vector/Competition.DACON.ArtWorksPainterClassification: Dacon 화가 이미지 분류

Dacon 예술 작품 화가 분류 AI 경진대회 model 폴더 .
https://github.com/404Vector/Competition.DACON.ArtWorksPainterClassification

요약

==My Contribute==

  • ==팀 내 최대 Code Contributor==
  • ==EDA==
  • ==Data download & directory setting 자동화 Script 작성==
  • ==WandB 연동==
  • ==Train, Inferrence Script 작성==
  • ==Efficientnet v2실험==
  • ==ViT 모델 실험==

Task

  • Classification Task, 예술 작품을 화가 별로 분류하는 AI 모델 개발

Score

  • Macro F1 Score

Data

  • Train Data
    • 이미지, 화가, 화가별 장르 정보
  • Test Data
    • 이미지(원본을 랜덤으로 1/4 crop)

개요

월간 데이콘 예술 작품 화가 분류 AI 경진대회

안녕하세요 여러분!
https://dacon.io/competitions/official/236006/overview/description

화가 분류는 많은 연구가 이루어지고 있는 문제로, 주로 이미지 처리 및 기계 학습의 전통적인 접근 방식을 통해 꾸준하게 연구되어왔습니다. 더 나아가 현재에는 화가의 작품을 흉내내거나, 직접 예술 작품을 창조해내는 GAN을 활용한 생성 모델 연구까지 이루어지고 있습니다.

이번 월간 데이콘 26은 예술 작품을 화가 별로 분류하는 대회입니다.
더 나아가 예술 작품의 일부분만을 가지고도 올바르게 분류해낼 수 있어야합니다.

예술 작품의 일부분만 주어지는 테스트 데이터셋에 대해 올바르게 화가를 분류해낼 수 있는 예술 작품의 전문가인 AI 모델을 만들어주세요.

본론

EDA

  • 장르와 화가의 상관 관계 → 화가별로 하나의 장르만 있는 사람도 있으나, 여러 장르를 그리는 화가도 있음

    Untitled 17.png

  • 화가와 그림 크기의 상관 관계 → 화가별로 그리는 그림의 크기가 어느정도 유사함

    Untitled 1 12.png

  • 화가 별 그림 개수 → 화가 별로 데이터 개수가 다름(Class imbalance) 존재

    Untitled 2 8.png

  • 화가 별 그림의 RGB Mean & Std.(일부) → 화가별로 사용하는 색에 경향성을 보였음

    Untitled 3 7.png

    Untitled 4 5.png

    Untitled 5 4.png

Data Sampling

  • Train / Valid Split

    Stratified sampling으로 Train과 Valid Set을 나눔

  • Class Imbalance

    Data Oversamplig을 사용해 부족한 화가 그림의 경우 더 많이 load되도록 설정

Augmentation

  • RandomCrop

  • Horizontal & Vertical Flip

  • Resize

  • Cutmix

    색조나 채도를 바꾸거나 Geometric Augmentation을 할 경우 화풍이나 색감이 왜곡될 것이라고 판단
    다른 기법은 사용하지 않음

Loss

  • Cross Entropy Loss

    → Oversampling을 사용했기 때문에 Focal loss 미사용

Optimizer

  • Adam

Scheduler

  • Step LR

Model

  1. ResNeXt
  2. Efficientnet b4
  3. Max ViT
  4. SwinT
  5. Regnet

Untitled 6 4.png

→ Model 별로 Size나 RGB 평균, 표준 편차 값을 추가로 embed, 결과 모두 embed 한 것이 가장 성능이 좋았음

단, ViT의 경우 사용하지 않은 것이 성능이 좋았음

Ensemble

  • CSV result hard voting

    각 모델(ResNeXt, Efficientnet b4, Max ViT, SwinT, Regnet)의 Best Case를 ensemble

  • Result

    Best Case(Efficientnet b4, 0.7967) → ==Ensemble 0.8534==

결론

  • Ranking

    Untitled 7 3.png

  • 느낀점

    1. EDA를 통해 얻은 인사이트(작가별 크기와 색에 따른 경향성)로 기존 Classification model에 정보를 추가로 concat하여 classification을 수행했을 때, 점수 상승이 있었고 EDA의 중요성을 느끼게 되었다.

    2. EDA 과정에서 Raw Data(이미지)를 많이 보게 되었고, 이를 토대로 Augmentation 의사결정 과정에서 색이나 그림 자체를 왜곡하는 기법들을 실험하지 않고 제외할 수 있었다. Raw Data를 눈으로 보는 것이 매우 중요하다고 느껴졌다.

    3. 하나의 잘 된 모델보다 다양한 모델을 사용하는 것이 다양한 관점에서 볼 수 있다고 판단하여 다양한 모델을 훈련시켰다. 모델들의 결과는 0.7에서 0.79까지 다양했는데, Ensemble 결과 점수가 크게 상승하는 것을 보면서 비슷한 점수여도 모델마다 잘하는 것과 못하는 것이 있기 때문에 얻은 결과라고 생각했다.

Graph View