New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
请问MICCAI 2020 Thyroid Nodule Segmentation Challenge比赛的方案方便开源吗? #114
Comments
经过一段时间的使用,我发现u^2net小目标的分割效果没有大目标的好,请问大佬有什么改善的思路吗?
有如下几个可能的原因会导致对小目标分割不好: (1)U^2-Net
resize到320✖20,如果你用的图像分辨率很高,但是目标很小,resize过后,小目标基本不可见,这样就无法有效的训练和推理.因此你可以调整输入分辨率在自己数据集上重新训练。如果你是使用我们提供的模型,那么你可以考虑使用test
time
augmentation来提升结果。(2)训练数据集中大目标占多数,训练后网络更偏向于检测大目标,DUTS-TR中主要还是大目标(这里指的是目标尺寸与图像尺寸之比比较大),相对而言如果背景相对复杂的话,对小目标的检测不利;
(3)训练时间不够,神经网络的在分割上的收敛形式跟levelset有些类似,在迭代次数不够的情况下,小目标就可能会丢失或具有较大的false
positive.
同时想请问下大佬有考虑对MICCAI 2020 Thyroid Nodule Segmentation
Challenge的比赛方案开源吗?现在比赛都是无脑堆efficientnet
backbone,很高兴能看到有独立思考的U^2net取得好成绩,也想学习下大佬的思路对模型进行魔改!
我们比赛用的模型跟现在开源的是一样的模型,比赛的时候就是做了几个ensemble,包括bagging和TTA.
…On Wed, Dec 2, 2020 at 12:17 AM yu-Mas ***@***.***> wrote:
首先感谢大佬对u^2net的开源!
经过一段时间的使用,我发现u^2net小目标的分割效果没有大目标的好,请问大佬有什么改善的思路吗?
同时想请问下大佬有考虑对MICCAI 2020 Thyroid Nodule Segmentation
Challenge的比赛方案开源吗?现在比赛都是无脑堆efficientnet
backbone,很高兴能看到有独立思考的U^2net取得好成绩,也想学习下大佬的思路对模型进行魔改!
谢谢大佬~
—
You are receiving this because you are subscribed to this thread.
Reply to this email directly, view it on GitHub
<#114>, or unsubscribe
<https://github.com/notifications/unsubscribe-auth/ADSGORIMNWHR5Y6JZX6LRZ3SSXSZHANCNFSM4UKCR7MQ>
.
--
Xuebin Qin
PhD
Department of Computing Science
University of Alberta, Edmonton, AB, Canada
Homepage:https://webdocs.cs.ualberta.ca/~xuebin/
|
关于小目标:我使用的是自己的数据集并重新进行训练,数据集共2K张,分辨率为512*512,并未使用pre_trained,多个loss权重也是直接相加,总共训练300epoch,但一般20个epoch左右就可以接近最优结果(iou误差2个百分点内)。现在面临的情况是大目标效果很赞,小目标概率值不高,我目前想从模型的方向进行魔改。设想方案有:(1)减少block中的下采样次数,譬如使用RSU6代替RSU7等;(2)减少层数,原本encoder共下采样5次,我改为4次或3次等;(3)直接去除decoder中的下采样。相关试验我开始,但受限于gpu的数量,我并未能很好的使用控制变量法。故想请教大佬之前有做过类似的消融实验吗,减少下采样次数(无论是block还是layer)的想法会make sense吗? 关于比赛:我很喜欢使用u2net来打比赛,容易训练而且代码通俗易懂,魔改方便,傻瓜式训练效果就不差了,魔改潜力还巨大,但我感觉我个人在训练的过程总是有点迷茫,训练好baseline后不知道怎么完善,最后名次一般在中上达不到top。想请教下大佬在训练u2net过程的trick 以及如何改进baseline(譬如想到一个改进方向是在训练好的模型上改还是重新训练)? 很感谢大佬回复这么多,再次表达谢意! |
关于小目标:我使用的是自己的数据集并重新进行训练,数据集共2K张,分辨率为512*512,并未使用pre_trained,多个loss权重也是直接相加,总共训练300epoch,但一般20个epoch左右就可以接近最优结果(iou误差2个百分点内)。现在面临的情况是大目标效果很赞,小目标概率值不高,我目前想从模型的方向进行魔改。设想方案有:(1)减少block中的下采样次数,譬如使用RSU6代替RSU7等;(2)减少层数,原本encoder共下采样5次,我改为4次或3次等;(3)直接去除decoder中的下采样。相关试验我开始,但受限于gpu的数量,我并未能很好的使用控制变量法。故想请教大佬之前有做过类似的消融实验吗,减少下采样次数(无论是block还是layer)的想法会make sense吗? 一般来说减小下采样次数会削弱模型的表达能力,导致结果的下降,小目标确实是个比较tracky的问题。因为U^2-Net最后的map是fuse 前面多个sideoutput的结果,但是有的sideoutput是从很小的分辨率上采样的,所以你可以考虑最终只fuse比较高分辨率的结果。 另外可以考虑对小目标的数据作augmentation. 关于比赛:我很喜欢使用u2net来打比赛,容易训练而且代码通俗易懂,魔改方便,傻瓜式训练效果就不差了,魔改潜力还巨大,但我感觉我个人在训练的过程总是有点迷茫,训练好baseline后不知道怎么完善,最后名次一般在中上达不到top。想请教下大佬在训练u2net过程的trick 以及如何改进baseline(譬如想到一个改进方向是在训练好的模型上改还是重新训练)? 这个问题好难,打比赛最直接就是各种ensemble上一遍包括bagging, boosting还有TTA,想通过改网络结构来获取提升的话得根据具体的数据来做,也没有一个统一的标准。我一般都是重新训练。 |
明白,谢谢您的建议。在我的实验中所有sidepoutput一起求loss确实会收敛的很快,但副作用是会限制相当大的模型性能,往往达不到特别好的效果,下回我会尝试只用高分辨率的一两个sideoutput。大佬有尝试过和softdice之类的混用吗 |
各种loss都试过,但是多数情况下还是BCE会好一些,也有一些例外,个人感觉这个根据数据集和target的特征有些差异。
…On Thu, Dec 10, 2020 at 11:12 PM yu-Mas ***@***.***> wrote:
*明白,谢谢您的建议。在我的实验中所有sidepoutput一起求loss确实会收敛的很快,但副作用是会限制相当大的模型性能,往往达不到特别好的效果,下回我会尝试只用高分辨率的一两个sideoutput。大佬有尝试过和softdice之类的混用吗*
—
You are receiving this because you commented.
Reply to this email directly, view it on GitHub
<#114 (comment)>,
or unsubscribe
<https://github.com/notifications/unsubscribe-auth/ADSGORINBL2PSZ3HGTHUDQ3SUGZ4NANCNFSM4UKCR7MQ>
.
--
Xuebin Qin
PhD
Department of Computing Science
University of Alberta, Edmonton, AB, Canada
Homepage:https://webdocs.cs.ualberta.ca/~xuebin/
|
谢谢大佬长期很耐心很详细的解答! |
首先感谢大佬对u^2net的开源!
经过一段时间的使用,我发现u^2net小目标的分割效果没有大目标的好,请问大佬有什么改善的思路吗?
同时想请问下大佬有考虑对MICCAI 2020 Thyroid Nodule Segmentation Challenge的比赛方案开源吗?现在比赛都是无脑堆efficientnet backbone,很高兴能看到有独立思考的U^2net取得好成绩,也想学习下大佬的思路对模型进行魔改!
谢谢大佬~
The text was updated successfully, but these errors were encountered: