Check damaged house with subtract between pre image and post image at disaster situation
- a. (download)[https://gisto365-my.sharepoint.com/:f:/g/personal/jhdf1234_gm_gist_ac_kr/ElToUUS-rjJNujoKDj0LPqQBWaKCBFpMCvrWK9ceMDojnA?e=2MkbE3]
- b. 해당 github 다운로드
- c. test_module.py 실행
학습된 resnet18로 이미지에 대해 테스트 가능하다.
[Xview2][https://xview2.org/]
- Dataset : 3600장 train dataset : 2700장 --> 전처리 후 162786 이미지 test dataset : 900장 --> 전처리 후 54862 이미지
위의 데이터 셋을 다운로드하면 폴더가 image와 label로 나눠져 있습니다. 따라서, 학습을 위해서는 밑의 new folder 모양처럼 바꿔야 합니다.
-
폴더 나누기 mk_Sum_folder.py 실행하기 단, original, new 변수 바꾸기(train, test)
-
<original folder 모양> original ----- images ----- 1_pre.jpg 1_post.jpg 2_pre.jpg 2_post.jpg ... | | ----- labels ----- 1_pre.json 1_post.json 2_pre.json 2_post.json ...
-
<New folder 모양> New ----- ex1 ----- ex1_pre.jpg ex1_pre.json ex1_post.jpg ex1_post.json | | ----- ex2 ----- ex2_pre.jpg ex2_pre.json ex2_post.jpg ex2_post.json | | ----- ex3 ----- ex3_pre.jpg ex3_pre.json ex3_post.jpg ex3_post.json . . . All dataset
학습은 밑의 하이퍼파라미터가 default로 되어있습니다. 만약, 원하는 하이퍼 파라미터가 있다면 바꿔서 진행해야합니다. 또한, train/test dataset은 'data/pre_train'과 'data/pre_test'와 같은 형태로 폴더에 들어가 있어야 합니다.
Learning rate(learning_rate) : 0.001
Epoch(Epoch_num) : 50
Batch size(Batch_size) : 1024
Resolution(Resolution) : 36x36
Optimizer(optimizer) : Adam
Loss function(criterion) : Cross-Entropy-Loss
밑의 script로 각각에 해당하는 결과를 볼 수 있습니다.
-
a. Check_dataset.py
-
class 당 비율
-
높이와 너비 분포 및 평균
-
-
b. test_module.py
-
pre-image/post-image 비교 및 salience map.
-
Ground truth vs Prediction
-
-
c. 전체 모델 정확도 테스트 결과
