davidgengenbach / openimages-fastxml-classification Goto Github PK

http://link.springer.com/article/10.1007/s10994-008-5064-8

Insbesondere die letzten beiden Fully-Connected Layer als Output nehmen

http://www.ke.tu-darmstadt.de/publications/reports/tud-ke-2014-01.pdf

https://manikvarma.github.io/pubs/prabhu14.pdf

http://www.cs.ucf.edu/~mtappen/pubs/2013/label-tree-liu-et-al-cvpr-2013.pdf

http://tuprints.ulb.tu-darmstadt.de/3226/7/loza12diss.pdf

Vorallem Kapitel 7

http://lpis.csd.auth.gr/publications/tsoumakas-mmd08.pdf

Probabilistic Label Tree Implementierung finden

Wie sind die Konfidenzen der False-Positives verteilt?

Beispielbilder mit falschen Annotations analysieren

Anordnung der Labelqualität:

Durch-Menschen-bestätigt > Durch-Menschen-verworfen > Nicht-vorhanden

oder

Durch-Menschen-bestätigt > Nicht-vorhanden > Durch-Menschen-verworfen

• Ergebnisse von Feature Extraction variieren
  • Zwischen einzelnen Extrahierungsimplementierungen
• Output vom Feature-Extrahieren
  • 4096 fully connected (vorletzer Layer, ohne ReLu)
  • 1000 fully connected (letzer Layer, ohne ReLu, ohne Softmax)
• FastXML
  • CPP
    • Trainieren braucht viel RAM (bei einem Thread ~25GB)
    • LogLoss ist sehr hoch!
    • Metriken berechnen geht nur in Batches
    • Model recht groß (3,7GB bei 10 Bäumen)
• HOMER
  • http://mulan.sourceforge.net/doc/mulan/classifier/meta/HOMER.html
  • In Format überführen

Siehe http://mlkd.csd.auth.gr/multilabel.html

Einteilung der Daten in Train-/Test-/Validation-Set.

Wie werden Daten eingelesen? Alles In-Memory?

dark knowledge

Offene Fragen
Wie wurden das System für die Annotation trainiert?
Wie enstehen die Unterschiede zwischen den Annotations-per-image von Validation und Training Set?
Wieso gibt es weniger Annotations bei Humans als bei Machine?
Heiko fragen wegen Slurm-Head ("Could not chdir to home directory /nfs/home/dgengenbach: No such file or directory")!
Sind die "falschen" Labels einfach sehr gut trainierbar? Ambiguity bei mispredicted

08.01.
Homer zum Lernen anwenden (mulan)
calibrated label ranking (mlc)
positive negativ labeling
probabilistic label trees

http://www.ke.tu-darmstadt.de/publications/papers/ICDM14graded.pdf

http://www.cs.ucf.edu/~mtappen/pubs/2013/label-tree-liu-et-al-cvpr-2013.pdf

• Ohne Cluster-Arbeitszeit vorerst weiterarbeiten/weiteres Vorgehen vorbereiten
• CUDA auf Server?
• "Stratifiziert" Begriff nachschauen
• Test-Setup einrichten. zB. Einteilung Training/Validation/Test Set
• FastXML C++ Version anschauen, wie Features geladen werden etc.
• PLT Implementierung finden
• Homer/PLT Classifier (Nodes) austauschen
  • Unterscheidung positiv/nicht-vorhanden/negativ (graded)?
    • Anordnung? Kann später in Algorithmen ausgetauscht werden
      • positiv > nicht-vorhanden > negativ ?
      • positiv > negativ > nicht-vorhanden ?
  • in den Nodes des PLT/HOMER neuer Classifier?
  • unterschied PLT/homer
    • homer 0/1
    • plt: probabilities
• False-positive Maschinen-Annotations
  • Wie sind die Konfidenzen?
  • Bilder mit falschen Annotations anschauen
• Besser protokollieren nächstes Mal und Agenda vorbereiten
• Paper lesen
  • http://www.ke.tu-darmstadt.de/publications/papers/ICDM14graded.pdf
  • http://www.ke.tu-darmstadt.de/publications/reports/tud-ke-2014-01.pdf
  • http://tuprints.ulb.tu-darmstadt.de/3226/7/loza12diss.pdf (vor allem Kapitel 7)
  • http://lpis.csd.auth.gr/publications/tsoumakas-mmd08.pdf

http://mulan.sourceforge.net/starting.html

http://mulan.sourceforge.net/doc/mulan/classifier/meta/HOMER.html

mulan/src/mulan/classifier/meta/HOMER.java