Данный репозиторий содержит в себе код, разработанный в рамках работы над проектом GreenBox по разработке прототипа фандомата. В репозитории нет ссылок на датасет, поскольку он собирался вручную и не может быть выложиен в сеть. Работа над проектом ведется до сих пор, код пока не приведен в порядок и представляет из себя несколько джупитер ноутбуков.
Размер датасета: ~1600 семплов, разделенных на 4 класса (PET, Glass, Alum, others). Каждый семпл: изображения с двух камер и значения с датчиков веса и металлодетектора.
Задача: классификация на 4 класса.
Основная задача, решаемая в этом проекте - Out-of-distribution детекция изображений, то есть определение объект это тара или не-тара. На данный момент я занимаюсь исследованием возможных подходов к решению этой задачи и выделил 3 перспективных варианта: CAC Loss, Learning confidence, Байесовские подходы. Мной уже был проведен анализ некоторых из этих подходов, изучены статьи по данным темам, с первыми результатами я выступил на онлайн-конференции ODS DataFest 2022, с помощью модифицированного Лосса удалось добиться точности в 93%. В дальнейшем я планирую написать дипломную работу по этой теме. На самом деле задача является весьма обширной, поскольку необходимо не только разработать нейросеть, но также сделать конструкцию устройства и внутреннюю механику, чтобы оно было отказоустойчиво.
Доклад на DataFest 2022: https://youtu.be/tm1cRiaUYDs
Презентация темы дипломной работы с описанием методов: https://drive.google.com/file/d/1xV8s7ft8yfDrFCvLTY0DCkVnwUv0aJnR/view?usp=share_link
Прототип сайта проекта: фандоматысибири.рф
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent