- Data Imbalance 극복을 위해 Off-line Augmentation 진행 - K-fold 학습 진행 - 학습 시 Hard Example 에 집중하기 위해 Focal Loss 적용 - EfficientNet-V1,V2 모델, Swin Transformer, CoatNet 사용 - 3개의 Backbone에서 나오는 Feature Map을 Ensemble 함 - 88개의 Label을 1개의 Classifier로 분류하기 힘들 것 같아 총 15개의 Classifier 사용 - 자세한 사항은 위 URL 참고

- EDA 진행 - Public Dataset 활용 – PlantVillage Dataset - Cutmix 적용 - 데이터가 색상에 민감하다고 판단하여 Spatial-Level Augmentation 사용 - Data Imbalance 문제 해결을 위한 Class Weight 적용 - EfficientNetV2-S 와 mLSTM-FCNs 사용 - Soft Voting과 Hard Voting을 통한 Model Ensemble 적용 - 자세한 사항은 위 URL 참고

- 데이터가 색상에 민감하다고 판단하여 Spatial-Level Augmentation 사용 - Data Imbalance 문제 해결을 위한 Class Weight 적용 - ViT, NFNet, Swin Transformer 사용 - Soft Voting과 Hard Voting을 통한 Model Ensemble 적용 - 자세한 사항은 위 URL 참고

1) 인원 : 5인 2) 기여도 : 20% - Flask를 이용한 모델 Serving - AWS SageMaker 환경 구성 및 Training 이슈 대응 - Model 특성에 따라 Dataset 구축 - Hyperparameter 분석 - Synthesis Network layer 분석 - Generator Model Blending 연구 개발 - Encoder + Synthesis Network 모델 연구 - Style Mixing 연구

1) 인원 : 2인 2) 기여도 : 80% - Unity Porting을 위한 환경 세팅 - Unity 환경에 맞춘 Inference 코드 개발 - 2D Single PPE 모델을 2D Multi PPE가 되도록 Inference 코드 개발 - 3D SPPE 모델을 Unity에서 Real-time inference 코드 개발 - Real-time 을 위한 Bottom-up 모델 연구 - 높은 정확도를 위해 Top-down 모델 연구