SIGNATE「オフロード画像のセグメンテーションチャレンジ」認識精度部門3位入賞の解法紹介です。https://signate.jp/competitions/101

1. SIGNATE オフロード画像のセグメンテーション
チャレンジ（認識精度部門）
3rd Place Solution
@yu4u
1

2. コンペ概要
• 4クラスセグメンテーションタスク
• background, road, dirt road, other obstacle
• データセット
• train: オフロード環境の実走行で得られた画像（5014枚）
• 19カテゴリ：3007枚（評価対象のroad, dirt road, other obstacleを含む）
• 2カテゴリ：2007枚
• test: オフロード環境の実走行で得られた画像（640枚）
• 評価指標
• road, dirt road, other obstacleのmIoU
2

3. データ詳細
3

4. アプローチ
• モデル: 4 class segmentation model
• FPN (efficientnet-b5)
• UNet++ (efficientnet-b3, efficientnet-b5, efficientnet-b7,
inceptionv4, resnet101, se_resnext101, skresnext50)
• 8モデル x 5-fold CV = 40 model average ensemble
• 損失関数
• cross entropy, iou, dice, lovasz loss
• Optimizer
• AdamW, lr: 1e-4 -> 1e-5, 30 epochs
• augmentation
• Resize to 960x540
• HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate
• TTA: horizontal flip
• train_images_Bは不使用 4

5. Validation方針
• 類似画像が大量に存在するためrandom splitの信頼性が低い
• “データセットの類似に関して”
• https://signate.jp/competitions/109/discussions/202101171843
52-39602
• クラスタリングしてみる
• imagehashのphashを特徴量として
sklearn.cluster.AgglomerativeClusteringを利用
• 凝縮型を利用したのは、同一道路を走っているような映像の場合でも
その走行全体を1クラスタとしたいため
5

6. (C) 防衛省・防衛装備庁

7. Validation方針
• 類似画像が大量に存在するためrandom splitの信頼性が低い
• “データセットの類似に関して”
• https://signate.jp/competitions/109/discussions/202101171843
52-39602
• クラスタリングしてみる
• imagehashのphashを特徴量として
sklearn.cluster.AgglomerativeClusteringを利用
• 凝縮型を利用したのは、同一道路を走っているような映像の場合でも
その走行全体を1クラスタとしたいため
• いっぱいクラスタが出てきた
• が、「雪道」のようなレアなクラスタができてしまった
• 雪道が認識できないモデルが生成される危険性があるため
random splitを採用
7

8. モデル
• セグメンテーションアーキテクチャ
• UNet, UNet++, FPN, PAN, DeepLabV3+ を比較
• UNet++, FPNが良さそう
• バックボーン
• 良さそうなものもひたすら追加
• 学習がほぼ必要ない速度部門をやっていたので思考停止で学習だけ回していた
• RegNetがあまりCV性能が良くなかったので外した以外は全て投入
• efficientnet-b3/b5/b7, inceptionv4, resnet101, se_resnext101,
skresnext50
8

9. 損失関数
9
https://github.com/JunMa11/SegLoss

10. 損失関数
• Kaggleで良く利用されているcross entropy, iou, dice, lovasz loss
を採用
• CV上も全て利用したほうが良さそう
10

11. Augmentation、Optimizer
• Augmentation
• HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate
• Optimizer
• AdamW, lr: 1e-4 -> 1e-5 (CosineAnnealingWarmRestarts),
30 epochs
• Automatic Mixed Precision利用
（ほぼ鰹節コンペの使いまわし）
11

12. アンサンブル
• 8モデル x 5-fold CV = 40 model average ensemble
12

13. 結果
13

14. What did not work
• Pseudo label
• train + train_images_B/test pseudo labelで訓練
• 評価される3ラベルのみiou, dice, lovasz lossを利用
14

15. 利用フレームワーク等
• パイプライン: pytorch-lightning
• config管理: OmegaConf
• 実験管理: wandb
• model: https://github.com/qubvel/segmentation_models.pytorch
• Augmentation: albumentations
• 参考図書
• https://neptune.ai/blog/image-segmentation-tips-and-tricks-from-kaggle-
competitions
• https://github.com/JunMa11/SegLoss
• https://github.com/kevinzakka/pytorch-goodies
15