DACON 구조물 안정성 추론

구조물의 front/top 이미지를 기반으로 안정성 확률을 예측한 Dual-View Vision Classification 실험

🏆 Notion Competition Page 공모전 상세 정리 · 실험 과정 · 리더보드 결과 보기

✨ Highlights

구분	내용
대회	DACON 구조물 안정성 추론 공모전
성과	최종 16등 / 상위 4%, Private LogLoss 0.01903
접근	Segmentation 전처리 + Dual-View Classification
담당	HSV Smart Box, SAM2 기반 전처리, ConvNeXt 실험, 후처리 전략

---

1. 프로젝트 개요

이 프로젝트는 구조물의 front / top 두 시점 이미지를 기반으로 적재 상태의 안정성을 예측하는 비전 분류 공모전 실험입니다.

단순한 이미지 분류가 아니라 배경, 그림자, 시점 차이, 구조물의 기울기와 배치 정보를 함께 고려해야 했기 때문에, Segmentation 전처리와 Dual-View Classification 구조를 중심으로 실험했습니다.

---

2. 데이터 및 문제 구조

front image
      +
top image
      ↓
segmentation / preprocessing
      ↓
dual-view classification
      ↓
stable / unstable probability

---

3. My Role

• 데이터 전처리 및 Segmentation 파이프라인 설계
• HSV Smart Box 기반 구조물 영역 추출 실험
• SAM2를 활용한 객체 마스크 생성 실험
• RGB + Mask 4채널 입력 구조 실험
• ConvNeXt 기반 안정성 분류 모델 실험
• TTA, Temperature Scaling, Prediction Clipping 등 LogLoss 개선 후처리 적용

---

4. Experiment Focus

실험	목적
HSV Smart Box	색공간 기반으로 구조물 후보 영역 탐색
SAM2 Segmentation	배경과 그림자를 제거한 객체 마스크 생성
Depth-Anything-v2	깊이 정보를 활용한 객체 분리 가능성 검토
RGB + Mask 4채널 입력	구조물 영역 정보를 분류 모델 입력에 직접 반영
Dual-View Fusion	front / top 시점 정보를 함께 사용
Calibration	LogLoss 기준에서 과도한 확신 완화

---

5. Pipeline

Data Split
  → Segmentation Research
  → HSV Smart Box + SAM2 Mask Generation
  → RGB + Mask Dataset 구성
  → ConvNeXt / Swin 기반 분류 실험
  → TTA / Temperature Scaling / Prediction Clipping
  → Submission

---

6. 주요 파일

파일	설명
data_segmentation.ipynb	Segmentation 연구 및 최종 전처리 파이프라인
data_split.py	학습/검증 데이터 분리 자동화
5_fold.ipynb	RGB + Mask 4채널 baseline pipeline
5_fold_v2.ipynb	384px 고해상도 입력 및 ConvNeXt-Base 실험

---

7. Tech Stack

영역	기술
Language	Python
Framework	PyTorch
Backbone	ConvNeXt, Swin Transformer
Segmentation	SAM2, HSV Smart Box, Depth-Anything-v2
Augmentation	Albumentations
Validation	Stratified 5-Fold
Post-processing	TTA, Temperature Scaling, Prediction Clipping

---

8. Repository

• KDY0829/dacon-data-segmentation_and_train