A simple, strong baseline for building damage detection on the xBD dataset

要約

私たちは、xView2 コンテストで優勝した高度に設計されたソリューションから始めて、徐々にコンポーネントを取り除いていくことで、建物の損傷を検出するための強力なベースライン手法を構築します。
このようにして、十分なパフォーマンスを維持しながら、はるかに単純な方法が得られます。
私たちは、簡素化されたソリューションがより広範囲かつ簡単に適用できると期待しています。
この期待は、複雑さが軽減されることと、他のデータセットに転送される単純なヒューリスティックに基づいてハイパーパラメーターを選択するという事実に基づいています。
次に、競争の設定とは逆に、トレーニング中にテストの場所が表示されないように、xView2 データセットの分割を再配置します。
この設定では、複雑なモデルと単純化されたモデルの両方が、目に見えない場所に一般化できないことがわかります。
データセットを分析すると、この一般化の失敗はモデルベースの問題だけではなく、イベント間のクラス分布の不均等によっても困難が影響される可能性があることが示されています。
ベースライン モデルを含むコードは、https://github.com/PaulBorneP/Xview2_Strong_Baseline から入手できます。

要約(オリジナル)

We construct a strong baseline method for building damage detection by starting with the highly-engineered winning solution of the xView2 competition, and gradually stripping away components. This way, we obtain a much simpler method, while retaining adequate performance. We expect the simplified solution to be more widely and easily applicable. This expectation is based on the reduced complexity, as well as the fact that we choose hyperparameters based on simple heuristics, that transfer to other datasets. We then re-arrange the xView2 dataset splits such that the test locations are not seen during training, contrary to the competition setup. In this setting, we find that both the complex and the simplified model fail to generalize to unseen locations. Analyzing the dataset indicates that this failure to generalize is not only a model-based problem, but that the difficulty might also be influenced by the unequal class distributions between events. Code, including the baseline model, is available under https://github.com/PaulBorneP/Xview2_Strong_Baseline

arxiv情報

提供元, 利用サービス

arxiv.jp, Google