Segmentation + classification

Здесь можно найти два варианта решения задачи:

1. main.ipynb:

• В качестве декодера Unet использовалась связка Conv+Upscale
• Ресайз изображений делался просто как cv2.resize(img, target_size)
• Валидационная выборка - 30% от датасета + аугментация валидационной выборки
• Ранняя остановка

2. main_transpose.ipynb

• Декодер Unet состоит из Conv2DTranspose
• "Умный ресайз" - картинки вертикальной / горизонтальной ориентации дополняются черными полосами по сторонам, что препятствует черезмерному сжиманию / растягиванию изображений
• Валидационная выборка отсутствует
• Использовался косинусный шедулер для скорости обучения
• Высокий порог для ранней остановки - крайне переобученная модель

результаты

	train_acc	test_acc	train_precision	test_precision	train_recall	test_recall	train_dice_coef	test_dice_coeff
Con2D+Upsampling	0.89	0.73	1.0	0.71	0.74	0.83	0.71	0.58
Conv2DTranspose	0.91	0.84	0.97	0.88	0.85	0.83	0.78	0.66

Воспроизведение

Для запуска ноутбука необходимо:

1. Скачать датасет и распаковать его в корень репозитория:
   • скачать
2. собрать докер:
   • docker build -t seg .
3. запустить контейнер:
   • docker run --gpus=all -u $(id -u):$(id -g) -it -p 8888:8888 -p 6006:6006 -v "$PWD":/tf seg
4. перейти по url, который напечатается в терминале