Boostcamp AI Tech 9주차 회고록

9주차 회고록

학습 내용

AI서비스 개발

• Object detection 개론
  • mAP Metrix
• 2-Stage Detectors
  • R-CNN
  • Fast R-CNN
  • Faster R-CNN
• 1-Stage Detectors
  • SSD
  • Yolo
• Libraries
  • MMDetection
  • Detectron
• More
  • EfficientDet
  • Cascade R-CNN
  • Deformable Convolutional Networks
  • (Swin) Transformer
  • Ensemble

피어세션

• 팀 그라운드 룰
  • 등수에 연연하지 않고, 남들이 해보지 않는 새로운 시도를 두려워하지 않고 도전하기
  • 처음부터 큰 목표를 설정하기보단 작은 목표를 확실히 설정하고 점차 확장해 나가기
  • 결과를 도출해내는 과정을 잘 기록하고 정리하기
  • 사이좋게 지내기
  • Notion에 회의록 작성
• Level 2 대회 프레임 구축
  • Notion에 결과 기록
  • 메인 라이브러리 및 시각화 툴 고정
  • Seed 1로 설정

이벤트 세션

• 우팀소(우리 팀을 소개합니다)
  • 이전 기수 구성원과 현재 본인의 활동 범위 비교
  • 부스트 캠프에서 확보해야 할 메인 인사이트 파악
• 멘토 클래스
  • 팀원 소개 및 인사
  • 멘토님의 주 연구 분야인 Meta learning 에 대한 소개
• 마스터 클래스
  • LV2 대회 소개
  • Kaggle과 같은 외부 컴피티션에서 적용할만 한 EDA, 기법 등을 제안
• 오피스 아워
  • LV2 대회에서 Baseline의 mmdetection 프리뷰 제안

프로젝트

• Object detection
  • Classification과 달리 직관적이지 않아 이해하는 데에 많은 시간 소요
  • Classification 같은 경우, 다년 간 실습을 통해 코드와 함께 모델을 분석하고 원리도 이해하면서 학습
  • Object detection 난이도에 따른 집중력 저해
  • 실습 경험도 적고, 코드 수준도 높아 실습과 겸비하여 적극적으로 학습할 예정

회고

Object detection 너무 어렵다.
Classification은 인간의 시각, 뇌를 비교하면서 표현이 가능했던 것 같았지만,
Object detection은 Localization과 Semantic의 loss를 파악하는 데에서 인간적으로 이해하기가 어려웠다.
그리고 프로젝트 뿐만 아니라, 점차 드는 생각이 BBox를 이용한 Detection task는 실용적이지 못하다고 느꼈다.
특히 Vision에서의 Anomaly Detection과 자율주행 외에는 어떻게 쓸 수 있을지에 대해 깊은 고민을 요구하는 것 같다.

Level 3의 아이디에이션을 지속적으로 진행하고 있지만, 대회와 강의에 겹쳐 제대로 생각해보지 못했던 것 같다.
부담을 줄이기 위해서 대회는 학습 레벨에 그쳐야겠다고 생각하게 되었다.

아무리 어렵더라도 천천히 익히면서 미래를 생각하자고 다짐하였다.