Retinanet From Scratch (https://arxiv.org/abs/1708.02002)
Oncelikle, modelimi google colabda egittim. Egitim icin A100 GPU sunu kullandim. Modelimde 6,3 milyon parametre var. Backbone olarak mobilenet v3 kullandım. Fpn seviyeleri 3 ile 7 arasında. Convolution tower ve convolution head ler 1 tekrar sayısına sahip. Regression için L1 loss kullandım. Class için focal loss. Son olarak, boxlar icin iou loss kullandım. Modeli argmax assigner ile egittim.
Eğitim sırasında grafikleri görmek için wandb kutuphanesini kullandım. Grafikler bu linkte. https://wandb.ai/muhammedacer-mca-Istanbul%20University-Cerrahpa%C5%9Fa/RetinaNet/runs/am7h6wbf?nw=nwusermuhammedacermca
Performans Tablosu
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.176
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.296
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.184
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.013
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.112
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.274
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.174
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.215
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.215
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.013
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.148
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.332
Adaptive Training Sample Selection (https://arxiv.org/abs/1912.02424) Bu makaledeki assigner implementasyonunu (anchor-based Retinanet) yaptim.
FCOS From Scracth (https://arxiv.org/abs/1904.01355) Modelimi yine google colabda egittim. Egitim icin A100 GPU sunu kullandim. Modelimde 5,6 milyon parametre var. Backbone olarak mobilenet v3 kullandım. Fpn seviyeleri 3 ile 7 arasında. Convolution tower ve convolution head ler 1 tekrar sayısına sahip. Regression için L1 loss kullandım. Class için focal loss. Son olarak, centerness loss icin binary cross entropy loss u kullandim makalede yazildigi gibi.
Eğitim sırasında grafikleri görmek için wandb kutuphanesini kullandım. Grafikler bu linkte. https://wandb.ai/muhammedacer-mca-Istanbul%20University-Cerrahpa%C5%9Fa/FCOS/runs/2pgfg9hp?nw=nwusermuhammedacermca
Performans Tablosu
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.122
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.229
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.118
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.016
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.081
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.206
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.164
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.229
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.229
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.032
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.195
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.325