Upgrade to Pro — share decks privately, control downloads, hide ads and more …

データ分析コンテストの技術と最近の進展

@smly
October 20, 2017

 データ分析コンテストの技術と最近の進展

第14回ステアラボ人工知能セミナー https://stair.connpass.com/event/68515/ の発表資料です.
共有用のショートカットURL: https://goo.gl/MgFmJk

@smly

October 20, 2017
Tweet

More Decks by @smly

Other Decks in Technology

Transcript

  1. λεΫͷଟ༷ੑ Ԡ༻Λҙࣝͨ͠λεΫઃܭ͕ଟ͘ɺࢀߟʹͳΔɽ ظ଴஋Λݟੵ΋ΔͨΊͷܦݧ͕ੵΊΔɽ ˝ྫ:FMQ3FTUBVSBOU1IPUP$MBTTJpDBUJPO ⼊入⼒力力:お店に関する複数の画像 屋外席あり アルコールあり ランチ可 ディナー可 お店に対応する


    ラベルを複数選択する 出⼒力力:お店に関する複数のラベル ※ 写真1枚ずつにラベルが付いていない.
 複数画像を単⼀一のベクトルで表現するなど⼯工夫が必要 Multi-instances, Multi-labeling 値段が⾼高い ビュッフェ形式
  2. Ұൠతͳίϯςετͷߏ଄ 訓練データ テストデータ 「Validation」 テストデータ 「Holdout」 訓練ラベル 提出ファイル (予測結果) ܇࿅σʔλ

    ςετσʔλ͕༩͑ΒΕΔɽ ςετσʔλ͸ߋʹʮ7BMJEBUJPOʯʮ)PMEPVUʯͷ̎छʹ෼͔Ε͍ͯΔɽ ༧ଌ݁ՌΛαʔόʔʹΞοϓϩʔυ͢Δͱɼαʔόʔ͕ଈ࠲ʹ
 ʮ7BMJEBUJPOʯͷධՁΛܭࢉͯ͠࢑ఆॱҐද 1VCMJD-# ʹ൓өɽ ࢀՃऀ͸܇࿅σʔλͱϥϕϧ͔ΒɺςετσʔλͷϥϕϧΛ༧ଌ ίϯςετऴྃޙʹఏग़ࡁΈͷϑΝΠϧʹ͓͚Δʮ)PMEPVUʯͰͷ
 ධՁ݁Ռʹ΋ͱ͍ͮͯ࠷ऴॱҐද 1SJWBUF-# ͕ެ։͞ΕΔɻ
  3. Ұൠతͳίϯςετͷߏ଄ ܇࿅σʔλ ςετσʔλ͕༩͑ΒΕΔɽ ςετσʔλ͸ߋʹʮ7BMJEBUJPOʯʮ)PMEPVUʯͷ̎छʹ෼͔Ε͍ͯΔɽ 訓練データ テストデータ 「Validation」 テストデータ 「Holdout」 訓練ラベル

    提出ファイル (予測結果) ᶃ༧ଌ݁Ռ ༧ଌ݁ՌΛαʔόʔʹΞοϓϩʔυ͢Δͱɼαʔόʔ͕ଈ࠲ʹ
 ʮ7BMJEBUJPOʯͷධՁΛܭࢉͯ͠࢑ఆॱҐද 1VCMJD-# ʹ൓өɽ ࢀՃऀ͸܇࿅σʔλͱϥϕϧ͔ΒɺςετσʔλͷϥϕϧΛ༧ଌ ίϯςετऴྃޙʹఏग़ࡁΈͷϑΝΠϧʹ͓͚Δʮ)PMEPVUʯͰͷ
 ධՁ݁Ռʹ΋ͱ͍ͮͯ࠷ऴॱҐද 1SJWBUF-# ͕ެ։͞ΕΔɽ
  4. Ұൠతͳίϯςετͷߏ଄ 訓練データ テストデータ 「Validation」 テストデータ 「Holdout」 訓練ラベル 提出ファイル (予測結果) ᶄ1VCMJD-#4DPSF

    ܇࿅σʔλ ςετσʔλ͕༩͑ΒΕΔɽ ςετσʔλ͸ߋʹʮ7BMJEBUJPOʯʮ)PMEPVUʯͷ̎छʹ෼͔Ε͍ͯΔɽ ༧ଌ݁ՌΛαʔόʔʹΞοϓϩʔυ͢Δͱɼαʔόʔ͕ଈ࠲ʹ
 ʮ7BMJEBUJPOʯͷධՁΛܭࢉͯ͠࢑ఆॱҐද 1VCMJD-# ʹ൓өɽ ࢀՃऀ͸܇࿅σʔλͱϥϕϧ͔ΒɺςετσʔλͷϥϕϧΛ༧ଌ ίϯςετऴྃޙʹఏग़ࡁΈͷϑΝΠϧʹ͓͚Δʮ)PMEPVUʯͰͷ
 ධՁ݁Ռʹ΋ͱ͍ͮͯ࠷ऴॱҐද 1SJWBUF-# ͕ެ։͞ΕΔɽ
  5. Ұൠతͳίϯςετͷߏ଄ 訓練データ テストデータ 「Validation」 テストデータ 「Holdout」 訓練ラベル 提出ファイル (予測結果) ᶅ1SJWBUF-#4DPSF

    ܇࿅σʔλ ςετσʔλ͕༩͑ΒΕΔɽ ςετσʔλ͸ߋʹʮ7BMJEBUJPOʯʮ)PMEPVUʯͷ̎छʹ෼͔Ε͍ͯΔɽ ༧ଌ݁ՌΛαʔόʔʹΞοϓϩʔυ͢Δͱɼαʔόʔ͕ଈ࠲ʹ
 ʮ7BMJEBUJPOʯͷධՁΛܭࢉͯ͠࢑ఆॱҐද 1VCMJD-# ʹ൓өɽ ࢀՃऀ͸܇࿅σʔλͱϥϕϧ͔ΒɺςετσʔλͷϥϕϧΛ༧ଌ ίϯςετऴྃޙʹఏग़ࡁΈͷϑΝΠϧʹ͓͚Δʮ)PMEPVUʯͰͷ
 ධՁ݁Ռʹ΋ͱ͍ͮͯ࠷ऴॱҐද 1SJWBUF-# ͕ܾ·Δɽ
  6. աֶश 0WFSpUUJOH ʹ஫ҙ 1VCMJD-#Ͱදࣔ͞ΕΔ਺ࣈ͸͋͘·Ͱ΋ʮ7BMJEBUJPOʯ্ͷධՁɽ ͜ͷ਺ࣈ͚ͩΛཔΓʹνϡʔχϯά͗͢͠Δͱɼ σʔλͷࣄྫ਺΍σʔληοτͷಛੑʹΑͬͯ͸աֶशΛҾ͖ى͜͢ɽ 訓練データ テストデータ 「Validation」 テストデータ

    「Holdout」 訓練ラベル 提出ファイル (予測結果) ৚͕݅ἧ͑͹ʮσʔλΛҰ੾ݟΔ͜ͱແ͘ʯ ػցతʹ1VCMJD-#ͷείΞ͚ͩΛ্͛Δ͜ͱ͕༰қʹͰ͖Δɽ ˠఢରతϕϯνϚʔΫ ᶄ1VCMJD-#4DPSF
  7. ఢରతϕϯνϚʔΫ<#MVN)BSEU`> ୯७Խͨ͠/ݸͷςετࣄྫͷೋ஋෼ྨ໰୊Λߟ͑Δɿ 正解 予測 1 予測 2 ࣍ϕΫτϧΛ౰ͯΔɽධՁࢦඪ͸Τϥʔ཰ͱ͢Δɽ y 2

    {0, 1}N sH(yi) yi 2 {0, 1}N ͋Δ༧ଌ ͷ1VCMJD-#είΞΛ ͱ͢Δɽ N 1 0 0 1 0 0 0 1 y = 1 1 1 0 0 1 1 1 y1 = 1 0 1 1 1 1 0 0 y2 = Public LB
 Score 1 Public LB
 Score 2 sH(y1) = 0.75 sH(y2) = 0.25 Val Hol
  8. ఢରతϕϯνϚʔΫ<#MVN)BSEU`> Algorithm (Boosting Attack): 正解 1 0 0 1 0

    0 0 1 y = 0 0 1 0 0 0 0 1 1 1 1 0 1 0 1 1 0 1 0 1 0 1 0 0 1 0 0 1 0 0 0 1 1 0 0 1 0 1 1 1 0 0 0 0 1 1 1 0 ランダムに予測のベクトルを作成する Val Hol 1 0 1 1 1 1 0 0 1 0 0 1 0 1 1 1 0 0 0 1 0 1 1 0 0 0 1 1 0 0 1 1 0 0 1 0 0 0 1 1 1 1 0 1 0 0 0 0
  9. ఢରతϕϯνϚʔΫ<#MVN)BSEU`> 正解 1 0 0 1 0 0 0 1

    y = 1 0 1 1 1 1 0 0 1 0 0 1 0 1 1 1 0 0 0 1 0 1 1 0 1 0 0 1 0 0 0 1 1 0 0 1 0 1 1 1 1 1 0 1 0 0 0 0 㱺 majority
 voting 1 0 0 1 0 1 1 1 Public LB
 Score sH(ˆ y) = 0.0 Val Hol Algorithm (Boosting Attack): ランダムな予測のベクトルから Public LB スコアの良いベクトル sH (yi) < 0.5 だけを選ぶ
  10. ఢରతϕϯνϚʔΫ<#MVN)BSEU`> 正解 1 0 0 1 0 0 0 1

    y = 1 0 1 1 1 1 0 0 1 0 0 1 0 1 1 1 0 0 0 1 0 1 1 0 1 0 0 1 0 0 0 1 1 0 0 1 0 1 1 1 1 1 0 1 0 0 0 0 㱺 majority
 voting 1 0 0 1 0 1 1 1 Public LB
 Score sH(ˆ y) = 0.0 Val Hol Private LB Score が
 良くなる保証は
 何もない !! Algorithm (Boosting Attack): ランダムに予測のベクトルから Public LB スコアの良いベクトル sH (yi) < 0.5 だけを選ぶ
  11. νʔτରࡦϚϧνεςʔδͳධՁ ༩͑ΒΕͨσʔλʹಛԽ͗ͨ͢͠ϞσϧΛ࡞Βͤͳ͍ɽ
 ϓϩάϥϜͷఏग़ظݶΛઃ͚ͯมߋෆՄͱͨ͠ޙͰIPMEPVUσʔλΛ ެ։͢Δܗࣜɽ 訓練データ テストデータ 「Validation」 テストデータ 「Holdout」 訓練ラベル

    ① 予測結果の提出 ③ 予測結果の提出 ② ソースコード提出
 提出後はモデル変更更禁⽌止 テスト事例例に特化した
 ルールやモデルを ⽤用意させない ࣌ܥྻ༧ଌͷΑ͏ͳςετσʔλΛ࢖Θͤͨ͘ͳ͍৔߹ɺ
 ςετࣄྫ͕গͳ͘Ξϊςʔγϣϯ͕༰қͰ͋Δ৔߹ͳͲʹద͍ͯ͠Δɽ 1st ステージ 2nd ステージ ⼈人⼿手でラベル付けて if ⽂文 10000 ⾏行行の解答は欲しくない
  12. 訓練事例例の
 特徴量量 ͓͞Β͍L෼ׂަࠩ֬ೝͰϞσϧΛධՁ Logistic Regression Prediction Part 1 Part 2

    Part 3 Part 4 Part 5 train test test ܇࿅ࣄྫΛL෼ׂ͢Δɽͭͷ෦෼Λʮ࢒ΓͷLͷ෦෼Ͱ༧ଌʯ͢Δɽ ࢒Γͷ1BSU   Λ࢖ͬͯ
 1BSUͷ໨ඪม਺Λ༧ଌ͢Δɽ
  13. 訓練事例例の
 特徴量量 ͓͞Β͍L෼ׂަࠩ֬ೝͰϞσϧΛධՁ Part 1 Part 2 Part 3 Part

    4 Part 5 train test test Logistic Regression Prediction ࢒Γͷ1BSU   Λ࢖ͬͯ
 1BSUͷ໨ඪม਺Λ༧ଌ͢Δɽ ܇࿅ࣄྫΛL෼ׂ͢Δɽͭͷ෦෼Λʮ࢒ΓͷLͷ෦෼Ͱ༧ଌʯ͢Δɽ
  14. 訓練事例例の
 特徴量量 ͓͞Β͍L෼ׂަࠩ֬ೝͰϞσϧΛධՁ LݸͷධՁͷฏۉΛͱΓɺ෼ׂʹภΓͷͳ͍ධՁͷݟੵ΋ΓΛಘΔɽ Logistic Regression Prediction Part 1 Part

    2 Part 3 Part 4 Part 5 Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction -PH-PTT -PH-PTT -PH-PTT -PH-PTT -PH-PTT ฏۉͷ-PH-PTT test test test test test
  15. 訓練事例例の
 特徴量量 L෼ׂަࠩ֬ೝͷ༧ଌΛಛ௃ྔͱ͢Δ Logistic Regression Prediction Part 1 Part 2

    Part 3 Part 4 Part 5 Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction この Prediction をメタ特徴量量として使う Ͱ͖ͨϝλಛ௃ྔ͸ݸʑͷࣄྫʹରԠ͢ΔϥϕϧΛ௚઀࢖͍ͬͯͳ͍ɽ
 ʢաֶशΛى͜͞ͳ͍ͱظ଴Ͱ͖Δʣ
  16. ςετࣄྫͷϝλಛ௃ྔ ςετࣄྫʹ͍ͭͯ΋ಉ༷ʹϝλಛ௃ྔΛ༻ҙ͢Δɽ 訓練事例例の
 特徴量量 Logistic Regression Prediction Part 1 Part

    2 Part 3 Part 4 Part 5 Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction train test テスト事例例の
 特徴量量
  17. ςετࣄྫͷϝλಛ௃ྔʢ޻෉ʣ ֤෼ׂͰ࡞੒ͨ͠Ϟσϧͷ1SFEJDUJPOͷฏۉΛ࢖͏͜ͱ΋Ͱ͖Δɽ 訓練事例例の
 特徴量量 Logistic Regression Prediction Part 1 Part

    2 Part 3 Part 4 Part 5 Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction Logistic Regression Prediction テスト事例例の
 特徴量量 Prediction test NN モデルや early stopping など 収束判断が必要なモデルで有⽤用 Averaging
  18. 4UBDLJOH 4UBDLFE(FOFSBMJ[BUJPO ༷ʑͳϞσϧͰ࡞੒ͨ͠ϝλಛ௃ྔΛूΊɼಛ௃ྔηοτΛߏ੒͢Δɽ Prediction Prediction Prediction Prediction Prediction Prediction Prediction

    Prediction Prediction Prediction Prediction Prediction Prediction Prediction Prediction Prediction Prediction Prediction Model 1 Model 2 Model p ……… X =
  19. 4UBDLJOH 4UBDLFE(FOFSBMJ[BUJPO ϝλಛ௃ྔ͔Βߋʹϝλͳಛ௃ྔΛ࡞੒͠ɼଟ૚Խ͢Δ͜ͱ΋Ͱ͖Δɽ 訓練事例例の
 メタ特徴量量 テスト事例例の
 メタ特徴量量 Logistic Regression Prediction

    Part 1 Part 2 Part 3 Part 4 Part 5 Logistic Regression Logistic Regression Logistic Regression Logistic Regression Logistic Regression Prediction Prediction Prediction Prediction Prediction Prediction test test test test test test
  20. 4UBDLJOHΛ࢖͏࣌ͷ஫ҙ఺ w 4UBDLJOHʹ࢖͏ϞσϧͷEJWFSTJUZΛ૿΍͢ͱޮՌతɽ w (SBEJFOUCPPTUJOH΍/FVSBMOFUXPSLϞσϧͷଞʹ΋ -PHJTUJDSFHSFTTJPO΍L/FBSFTU/FJHICPSͳͲ΋ࢼ͢ w ҟͳΔಛ௃ྔηοτɺҟͳΔύϥϝʔλɺҟͳΔࣄྫू߹ͳͲͳ Ͳʜ w

    1VCMJD-#ʹPWFSpU͠ͳ͍Α͏ؾΛ͚ͭΔɽ w ಛʹςετࣄྫ͕গͳ͍৔߹͸ަࠩ֬ೝ $7 ͷείΞΛ৴͡Δ w ํ๏ʹ໰୊͕ͳ͚Ε͹$7TDPSFͱ1VCMJD-#͸ઢܗͷؔ܎ʹ ͳΔɽͳΒͳ͚Ε͹ݪҼ͕Ͳ͜ʹ͋Δͷ͔ߟ͑Δɽ
  21. ໨ඪม਺Λ࢖ͬͨಛ௃ྔͷΤϯίʔσΟϯά 4UBDLJOHʹؔ࿈͢Δ࿩୊ͱͯ͠ɼ໨ඪม਺Λ࢖ͬͨಛ௃ྔͷΤϯίʔ σΟϯάํ๏͕͋Δɽ4UBDLJOHͱಉ༷ʹ̍ͭ̍ͭͷࣄྫʹରԠ͢Δ ϥϕϧΛʢ෼ׂͷதͰʣ௚઀࢖Θͳ͍Α͏஫ҙΛ෷͏ɽ ෼ׂ*% ΧςΰϦΧϧม਺ ໨ඪม਺ Τϯίʔυ 1 エコノミー

    3 (1+4) / 2 = 2.5 1 ビジネス 10 (9 + 8) / 2 = 8.5 1 ビジネス 11 (9 + 8) / 2 = 8.5 1 エコノミー 4 (1+4) / 2 = 2.5 2 エコノミー 1 (3+4) / 2 = 3.5 2 エコノミー 4 (3+4) / 2 = 3.5 2 ビジネス 9 (10+11) / 2 = 10.5 2 ビジネス 8 (10+11) / 2 = 10.5 ෼ׂҎ֎ͷ෦෼͔Β
 ΧςΰϦΧϧม਺͕ಉ஋Ͱ͋Δࣄྫͷ
 ໨ඪม਺ͷฏۉͰΤϯίʔυ
  22. ࠓ೔ͷ࿩ w ίϯςετͱ-FBEFSCPBSEͷϝΧχζϜ   w ϝλֶश 4UBDLJOH /FUqJY#MFOEJOH FUDʜ

       w ਂ૚ֶश $MBTTJpDBUJPO 4FHNFOUBUJPO   ը૾ͷ෼ྨλεΫͷίϯςετͰΑ͘࢖ΘΕΔجຊతͳٕज़ɼ ը૾ͷ4FHNFOUBUJPOλεΫͷίϯςετͰޮՌతͰ͋ͬͨ τϦοΩʔͳํ๏ͷ۩ମྫΛ঺հ
  23. 5SBOTGFS-FBSOJOH pOFUVOJOH 画像出典: http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture7.pdf ֶशσʔλ͕খ͍͞ͳΒผͷେن໛σʔληοτͰֶशࡁΈϞσϧ QSF USBJOFENPEFM ͷಛ௃ύλʔϯΛྲྀ༻͢Δɻ ղ͘ର৅ͷσʔληοτ͕খن໛Ͱ͋Ε͹ޮՌతͳํ๏ʢ˞ͨͩ͠ಉ༷ ͷಛ௃ύλʔϯΛ༗͢Δʣ

    ύλʔϯ͕ࣦΘΕͯ
 ͠·Θͳ͍Α͏ʹɺ
 ϨΠϠʔ͝ͱʹֶश཰ Λม͑ΔͳͲඍௐ੔ ここを置き換えて
 クラス数を合わせる パラメータを固定 初期化して学習 パラメータを固定 σʔληοτ͕େ͖ ͍ͳΒॳظԽ͢Δ
 ϨΠϠʔΛ૿΍͢ ֶशࡁΈͷϞσϧ͸ ༷ʑͳ։ൃऀ͕ެ։ ͍ͯ͠Δɻ
  24. 5SBOTGFS-FBSOJOH pOFUVOJOH 画像出典: http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture7.pdf ֶशσʔλ͕খ͍͞ͳΒผͷେن໛σʔληοτͰֶशࡁΈϞσϧ QSF USBJOFENPEFM ͷಛ௃ύλʔϯΛྲྀ༻͢Δɻ ղ͘ର৅ͷσʔληοτ͕খن໛Ͱ͋Ε͹ޮՌతͳํ๏ʢ˞ͨͩ͠ಉ༷ ͷಛ௃ύλʔϯΛ༗͢Δʣ

    ύλʔϯ͕ࣦΘΕͯ
 ͠·Θͳ͍Α͏ʹɺ
 ϨΠϠʔ͝ͱʹֶश཰ Λม͑ΔͳͲඍௐ੔ ここを置き換えて
 クラス数を合わせる パラメータを固定 初期化して学習 パラメータを固定 σʔληοτ͕େ͖ ͍ͳΒॳظԽ͢Δ
 ϨΠϠʔΛ૿΍͢ ֶशࡁΈͷϞσϧ͸ ༷ʑͳ։ൃऀ͕ެ։ ͍ͯ͠Δɻ エッジなど既に獲得できているパターンが失われないように
 ⼩小さな学習率を設定する
  25. 1TFVEP-BCFMJOH 4FMGUSBJOJOH ൒ڭࢣ͋ΓֶशͷҰͭɻ,BHHMFͰ͸1TFVEPMBCFMJOHͱΑ͘ݺ͹Εͯ ͍Δɻʮ༧ଌͨ͠ςετσʔλͷҰ෦ʯΛֶशσʔλͱͯ͠௥Ճ͢Δɻ ΍Γ͗͢ΔͱʮϥϕϧϊΠζΛ૿෯ͯ͠͠·͏ʯͨΊɺ
 )JHIDPOpEFODFͳࣄྫ͔ΒҰ෦͚ͩΛར༻͢Δͷ͕Ұൠతͳํ਑ɻ すーど Algorithm (Pseudo-Labeling): 

    ϥϕϧ͋Γσʔλ͔ΒΛֶश  ϥϕϧͳ͠ࣄྫΛͰ༧ଌ  Λϥϕϧ͋Γσʔλʹ௥Ճɽ
 ͜Ε͸Ұ౓ʹ෦෼ू߹Λ௥Ճͯ͠΋ྑ͍ɽ  ͘Γฦ͠ f x 2 Xu (Xl, yl) ( x, f ( x )) f
  26. 4FHNFOUBUJPOΛಓ۩ͱͯ͠࢖͏ /0""3JHIU8IBMF$MBTTJpDBUJPO ˞೥લͷ4FH/FU࿦จҎલ 
 ˠΫϥε෼ྨɻΫδϥ಄෦ݕग़$//ˠΫδϥ෼ྨ$// 4UBUF'BSN%JTUSBDUFE%SJWFS%FUFDUJPO  
 ଟΫϥε෼ྨɻ
 ӡసखݕग़'$/

    4FH/FU ˠةݥӡస෼ྨ$// /0""4FB-JPO$PVOUJOH  
 τυͷ਺্͑͛ɻ
 τυݕग़'$/ 6/FU ˠ
 ਺্͑͛3JEHF3FHSFTTJPO Input Target Prediction 画像出典:https://twitter.com/toshi_k_datasci/status/760795285807247360 https://www.kaggle.com/c/noaa-fisheries-steller-sea-lion-population-count/discussion/35422
  27. খ͍͞ΦϒδΣΫτΛ੾ΓࣺͯΔ F-Score を最⼤大とする PR トレードオフを⾒見見つける しきい値で FP が⼤大きく減る ʮখ͍͞ΦϒδΣΫτΛ੾ΓࣺͯΔʯώϡʔϦεςΟΫεΛ࣮૷ɻ ໘ੵΛ͖͍͠஋ͱͯ͠SFDBMMQSFDJTJPOͷτϨʔυΦϑΛௐ੔͢Δɻ

    ᮢ஋͸WBMJEBUJPOTFU͔Βܾఆ͢Δɻ しきい値 F-スコア Precision Recall FP TP Recall Precision F-score ˠ'TDPSF΄Ͳͷେ͖ͳվળ 難しい事例例がなくなるので
 Precision は上がる TP が減るので
 Recall は下がる
  28. Ξϯαϯϒϧ খ͍͞ΦϒδΣΫτʹର͢Δᮢ஋ʹΑΔվળ͕େ͖͘ɺ
 ୯ମͷϞσϧͰҐ૬౰ͷείΞɻ
 Ճ͑ͯ04.ͱΞϯαϯϒϧͰҐͱͷࠩΛ·Ͱ޿͛ͨɻ +OSM Ensemble RGB+M
 x0.39
 scale RGB+M


    x1.0
 scale 2nd place 3rd place 4th place ηάϝϯςʔγϣϯϞσϧ͸ඇৗʹύϥϝʔλ͕ෆ҆ఆͳͷͰɺ
 ܦݧతʹ΋Ξϯαϯϒϧ΍#BHHJOH͕ޮՌతͰ͋Δ͜ͱ͕ଟ͍ɻ
  29. ݁Ռ෼ੳ ਂ૚ֶश Ґ WTΤοδݕग़ϕʔεͷΞϧΰϦζϜ Ґ Ґ  *P6είΞͷ෼෍Λൺֱɽ 切り出した
 オブジェクトの数

    オブジェクトの IoU スコア (⾼高いほど良い) IoU が全体的に 10% ほど⾼高い.個々の Instance の形を正確に切り出せている. 画像出典:https://medium.com/the-downlinq/2nd-spacenet-competition-winners-code-release-c7473eea7c11
  30. ෇࿥ɿࢀߟจݙ  1. [Blum & Hardt '15] "The Ladder: A

    Reliable Leaderboard for Machine Learning Competitions", In Proc. of the ICML '15. https://arxiv.org/abs/ 1502.04585 2. [Hardt '17] "Climbing a shaky ladder: Better adaptive risk estimation", https://arxiv.org/abs/1706.02733 3. [Töscher & Jahrer '09] "The BigChaos Solution to the Netflix Grand Prize", http://www.netflixprize.com/assets/GrandPrize2009_BPC_BigChaos.pdf 4. [Wang & Yang '17] "Diabetic Retinopathy Detection via Deep Convolutional Networks for Discriminative Localization and Visual Explanation", https:// arxiv.org/abs/1703.10757, 5. [Audebert+ '17] "Joint Learning from Earth Observation and OpenStreetMap Data to Get Faster Better Semantic Maps" In Proc. of EARTHVISION 2017 IEEE/ISPRS CVPR Workshop, https://arxiv.org/abs/1705.06057 6. [Hazirbas+ '16] "FuseNet: incorporating depth into semantic segmentation via fusion-based CNN architecture", In Proc of Asian Conference on Computer Vision 2016.
  31. ෇࿥ɿࢀߟจݙ  7. [Hu+ ’17] “Squeeze-and-Excitation Networks”, In Proc. of

    the CVPR ’17. https://arxiv.org/abs/1709.01507 8. [He+ ’09] “Single Image Haze Removal”, In Proc. of the CVPR ’09. http://kaiminghe.com/cvpr09/