1. 가상환경 설정
1) github에서 설치해야할 파이썬 버전을 알려주지 않고 있음
-> table1에서는 여러 data augmentation방법을 EDSR 모델에 적용하고 성능을 평가한 것임
-> EDSR모델의 github에서는 python 3.6.0 사용
-> 가장 가까운 python 3.6.2 설치
2) pytorch 1.4.0은 torchvision 0.5.0 과 함께 설치
| conda create -n cutblur python==3.6.2 pip3 install -r requirements.txt |
2. Training
(1) 데이터 준비
1) 데이터 다운로드
- train set과 validataion set을 분할하지 않고 한 폴더에 병합해야함
- 아래 구조와 동일하게 저장
(2) Trina.py 실행
- 아래 코드 실행(--aug 값을 바꾸어 augmentation 방법 선택)
| python main.py \ --use_moa \ --model EDSR \ --dataset DIV2K_SR \ --div2k_range 1-800/801-900 \ --scale 4 \ --dataset_root ./datasets/DIV2K python main.py \ --aug blend \ --model EDSR \ --dataset DIV2K_SR \ --div2k_range 1-800/801-900 \ --scale 4 \ --dataset_root ./datasets/DIV2K python main.py \ - -aug cutblur \ --model EDSR \ --dataset DIV2K_SR \ --div2k_range 1-800/801-900 \ --scale 4 \ --dataset_root ./datasets/DIV2K ....... |
3. 결과
(1) Score
- augmentation 방식에 따라 score가 각기 다른 iteration에서 수렴
| Cutout | CutMix |
 |
 |
| Mixup | CutMixup |
 |
 |
| RGB perm | Blend |
 |
 |
(2) Table 1 과 비교
- 사전학습 모델을 통한 평가 결과가 table 1과 유사한 것 확인
| Augmentation method | Table1 | 재현 결과(diff) |
| Cutout | 29.22 | 29.22(0.00) |
| CutMix | 29.22 | 29.23(+0.01) |
| Mixup | 29.26 | 29.27(+0.01) |
| CutMixup | 29.27 | 29.27(+0.00) |
| RGB perm | 29.30 | 29.29(-0.01) |
| Blend | 29.23 | 29.24(+0.01) |
| CutBlur | 29.26 | 29.25(-0.01) |
4. 참고 문헌
[1] Yoo, Jaejun and Ahn, Namhyuk and Sohn, Kyung-Ah, "Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy, "arXiv preprint arXiv:2004.00448, 2020
320x100
