1 тренировка

Тренировка CenterNet на WTW-dataset.

124 эпохи

batch size = 2

backbone = ResNet18

optimizer = SGD lr=0.0025, momentum=0.9, weight_decay=0.0001

lr policy="step", warmup="linear", warmup_iters=1000, warmup_ratio=0.001, step=[10, 20, 30, 40, 50]

Остальное можно посмотреть в конфиге.

Лучшие метрики на тестовой выборке на 98 эпохе.

Лосс с немного обрезанным началом, чтобы было нагляднее.

Анализ ошибок с трешхолдом 0.3

Просмотрел топ 100 плохих распознаваний

Сверху оригинал, снизу предсказание

• Таблицы с большим количеством ячеек, например, Excel. Проблема нежирных контуров.

• В датасете есть наклоненные таблицы со странной разметкой

• Перевернутые таблицы, а также таблицы с широкими ячейками

• Неправильная изначальная разметка, проблема с широкими ячейками

• Изогнутые таблицы на упаковках

2 тренировка с параметрами статьи

• test_cfg=dict(topk= 100 300 или 2000, local_maximum_kernel= 3 1, max_per_img= 100 300 или 2000)

• lr=0.00125, step on 90, 120

Лосс с немного обрезанным началом, чтобы было нагляднее.

Анализ ошибок с трешхолдом 0.2

Наклоненные фото с плохой разметкой, множественные пересекающиеся боксы.

Таблица без границ, множественные пересекающиеся боксы.

Проблема с длинными ячейками и едой.

5 тренировка resnet34 wandb batch 32

Почему-то не сохранилось лога на train, только на val.

• test_cfg=dict(topk= 100 300 или 2000, local_maximum_kernel= 3 1, max_per_img= 100 300 или 2000)

• lr=0.00125, step on 90, 120

• resnet34, то есть не будет чекпоинта CenterNet, будет только чекпоинт resnet34

• wandb

• batch 32

Лоссы и метрики https://wandb.ai/centernet/CenterNet/runs/2ae7182x?workspace=user-archiealexarkhipov

Анализ ошибок с трешхолдом 0.2

Слишком много распознаваний.

Вертикальные и длинные ячейки.

Очень много ложных детекций у еды.

Average Precision summary

	IoU 0.5:0.95, all area, max 100 dets	IoU 0.5, all area, max 1000 dets	IoU 0.75, all area, max 1000 dets	IoU 0.5:0.95, small area, max 1000 dets	IoU 0.5:0.95, medium area, max 1000 dets	IoU 0.5:0.95, large area, max 1000 dets
1 baseline	0.448	0.511	0.492	0.115	0.473	0.651
2 paper params, max 300dets	0.306	0.492	0.485	0.299	0.635	0.437
2 paper params, max 2000dets	0.306	0.602	0.587	0.562	0.742	0.443
5 ResNet34, max 300dets	0.317	0.527	0.517	0.303	0.617	0.43
5 ResNet34, max 2000dets	0.317	0.645	0.623	0.565	0.728	0.437

Notes

• max 958 gt bboxes in val dataset.