2017 06 19 Fourth meeting

Adrian:

• Building dataset training mit nicht berauschenden: mAP ~0.1, qualität der labels ist nicht sonderlich gut
• Dieser Ansatz wird nicht unbedingt weitertrainiert

Torben + Arthur:

• Workflow überarbeitet (flickr fetching, auto annotating, manual annotation, ssd training) und auf server deployed. Bild überarbeiteter Workflow. Der kicker: Geringe anzahl an bildern wird manuell annotiert, dann wird ssd trainiert, und auf den trainingsergebnissen mehr bilder annotiert, deren automatische annotationen in einem sehr schnellen ja/nein Verfahren entweder als ground-truth übernommen werden oder (für diese annotationsrunde) verworfen werden.
• mAP werte gut (>80% bis auf fernsehturm), aber false positives (es wird oft irgendeine klasse erkannt, auch wenn keine klasse auf dem testbild ist)

Suggestions:

• Catchall-klasse für nicht-interessante buildings
• Suche nach "Dresden" oder "Leipzig" / andere Großstadt, Bilder mit "genericNonInterestingBuilding" label reinwerfen, um training abzuschwächen / überspezialisierung zu verhindern
• augmentation mit mirrored images, cropped: (kann der recordIterator das automatisch?)

Martin:

• Android app ausprobiert, stürzt aber mit unserem model ab

Next steps:

• Torben+Arthur: end2end training pipeline, catchall building class ("nonInteresting")

• Fabian: annotates "nonInteresting" images manually

• Choose generic validationset to get useful statistics pre/post generic buildings, log data

• Fabian+Martin: deploy network on Android App

• try to train binary net

• Adrian: before that: try out SDD with resNet?