Требуется: предложить модель, сегментирующую человека на фотографии.

Вход: фотография 320x240x3. Выход: маска человека 320x240. Метрика: Dice coefficient.

Ссылка на скачивание данных: link.

Данные представляют из себя набор фотографий человека и маски, определяющей положение человека на фотографии.

Доступные данные разделены на несколько папок:

• train содержит фотографии 320x240x3;
• train_mask содержит маски для фотографий из train 320x240;
• valid содержит фотографии 320x240x3;
• valid_mask содержит маски для фотографий из valid 320x240;
• test содержит фотографии 320x240x3.

Для лучшей модели требуется создать 2 файла, которые необходимы для валидации Вашего решения:

• сохраненные маски для картинок из valid в формате pred_valid_template.csv (в архиве с data);
• html страницу с предсказанием модели для всех картинок из test и папку с используемыми картинками в этой html странице для её просмотра.

Также необходимо:

• подготовить код для проверки (докстринги, PEP8);
• создать отчет (в jupyter ноутбуке) с описанием Вашего исследования, предобработки, постобработки, проверямых гипотез, используемых моделей, описание лучшего подхода и т.п.

Предполагается следующий pipeline решения поставленной задачи:

• скачать данные;
• ознакомиться с notebooks/GettingStarted.ipynb;
• провести анализ данных;
• реализовать нейросеть/нейросети (предполагается реализация "с нуля");
• Обучить реализованные модели с использованием best practices;
• провалидировать модели;
• выбрать лучшую модель на valid и посчитать для нее метрики и создать необходимые файлы (см. notebooks/GettingStarted.ipynb);
• отправить результаты на проверку.

1. Качество и полнота исследования в jupyter notebook.
2. Анализ данных, подходы к аугментации и пред- и постобработки. Оригинальность, эффективность и количество идей. Использование неочевидных шагов в решении, которые улучшают качество, будет хорошим плюсом.
3. Чистота кода.
4. Структура кода.
5. Значение метрик на контрольной выборке и общая адекватность модели.
6. Обоснование выбора моделей (процесс выбора моделей).

Привет! Спасибо за интересную задачку, было весело заниматься.

Я решил реализовать PSPNet, потому что модель очень хорошо работает, быстро обучается и прилично пишется по сравнению с другими моделями сегментации. Ну по крайней мере так показалось :)

Раз нам нужно было максимизировать Dice, то в качестве лосса выбрал аппроксимацию к нему. Работало неплохо, по скорости так же как и BCELoss, но зато оптимизировало сразу правильную задачу.

Для аугментации изображений использовал Albumentations — удобная библиотека, в которой можно аугментировать изображения для задачи сегментации!

Модель обучалась на Kaggle: еле влез в 15 гигабайт, но смог.

В своей работе я не трогал изначальный код в lib/, но добавлял туда свои функции в существующие файлы или создавал новые. Ко всем старался добавить документацию.