앙상블 방법 1 - 보팅

1, 0으로 변환된 Output으로 픽셀단위별로 보팅 방식으로 앙상블한 결과, 기존 성능보다 떨어졌음

앙상블 방법2 - 확률평균값

1, 0 으로 변환하지 않고, 확률값으로 Output을 저장하여 픽셀단위별로 평균값으로 앙상블한 결과, 기존 성능보다 올라감

• 확률값으로 Output을 저장할 때, Threshold = 0.3

  • 메모리 부족으로 모든 픽셀의 확률값으로 비교하지 못했음

• 평균값으로 앙상블할 때, Threshold = 0.5

• 문제점

  • test dataset - DCM/ID239/image1663637344279.png
  • 중지 손가락의 끝부분이 뭉개진 부분 존재
  • 두 모델을 앙상블 했을 때, 한 모델이 제대로 잡지 못하면 submission의 rle가 존재하지 않는 현상 발생
    • 하지만, 여러 모델을 앙상블함으로써 개선될 것으로 예상됨

앙상블 방법3 - 각 클래스 최고 성능 모델

• 각 클래스 별로 최고 성능의 모델의 결과만 사용하는 앙상블.
• 각 클래스에 대해 최고 성능 모델에 가중치 1 나머지 모델 가중치 0을 주는 일종의 변형 보팅으로 볼 수 있을 것 같습니다