---
title: 2023/07/19 # 簡報的名稱
tags: meeting # 簡報的標籤
slideOptions: # 簡報相關的設定
theme: black # 顏色主題
transition: 'fade' # 換頁動畫
spotlight:
enabled: true
---

# 本週進度

1. 建立 Pascal VOC Multi-Label 的訓練環境

## Pascal VOC 2007

[Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/voc2007/) 是一個早期的線上影像預測任務，他總共有以下任務

1. Classification
2. Segmentation
3. Object Detection

總共有 9963 張影像，分為 trainval 和 test

- trainval: 5011 張影像
- test: 4952 張影像

在這 9963 張影像中共有 20 個類別

- Person: person
- Animal: bird, cat, cow, dog, horse, sheep
- Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train
- Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

我們所關心的任務只有 Classification

## Co-Pattern Matrix

在建立訓練環境之前，我們先來檢驗該筆資料有沒有明顯的標籤之間的相關性，因此我們用 heatmap 的方式呈現，其中 heatmap $(i,j)$ 位置表示 在 class-$i$ 出現時 class-$j$ 出現的機率 (機率的估計是用簡單的數量相除)

- Training Heatmap


- Testing Heatmap


可以在圖中看到 person 在大多數的影像中都有出現，而 chair 與 diningtable 共同出現的機率也很高，其他標籤之間似乎沒有明顯的相關性

## Statistics

以下提供該資料的一些統計敘述

- Training Label per Image: 1.58
- Testing Label per Image: 1.54

| Class | Train Count | Train Imbalance Ratio | Test Count | Test Imbalance Ratio |
|--------------|-------------|----------------------|------------|----------------------|
| aeroplane | 240 | 0.0269 | 205 | 0.0303 |
| bicycle | 255 | 0.0328 | 250 | 0.0322 |
| bird | 333 | 0.0379 | 289 | 0.0421 |
| boat | 188 | 0.0231 | 176 | 0.0238 |
| bottle | 262 | 0.0314 | 240 | 0.0331 |
| bus | 197 | 0.0240 | 183 | 0.0249 |
| car | 761 | 0.1015 | 775 | 0.0962 |
| cat | 344 | 0.0435 | 332 | 0.0435 |
| chair | 572 | 0.0714 | 545 | 0.0723 |
| cow | 146 | 0.0166 | 127 | 0.0185 |
| diningtable | 263 | 0.0324 | 247 | 0.0332 |
| dog | 430 | 0.0567 | 433 | 0.0543 |
| horse | 294 | 0.0366 | 279 | 0.0372 |
| motorbike | 249 | 0.0305 | 233 | 0.0315 |
| person | 2095 | 0.2748 | 2097 | 0.2648 |
| pottedplant | 273 | 0.0333 | 254 | 0.0345 |
| sheep | 97 | 0.0128 | 98 | 0.0123 |
| sofa | 372 | 0.0465 | 355 | 0.0470 |
| train | 263 | 0.0339 | 259 | 0.0332 |
| tvmonitor | 279 | 0.0334 | 255 | 0.0353 |

## Result

我們一開始使用最簡易的訓練過程作為訓練的 baseline，實驗數據如下

seed: 42
model: EfficientNet-B4
augmentation: HorizontalFlip
criterion: BCEWithLogitsLoss
resolution: 448 * 448
epochs: 100
optimizer: Adam
Scheduler: Polynomial decreasing
batchsize: 16
lr: 1e-4
wd: 0

實驗結果如下 (OV 表示平均):