felixseriksson
commented
5 years ago - Done
- Implementerade ett uNet i keras
- Lunchade med Markus, fick mer info (se nedan)
- Fixade en till remote dator med ssh
- testade Dice som accuracy och loss
- preprocessar alla filer genom att spara dem som numpy arrays istället för dicom eller png, sparar mycket (från ca 15-20 min generering per epok till ca 2 min per epok) tid. kan skriva om detta i metod
- startade första långa träningssessionen på 60 epoker
- värdenormalisering dvs intervall [-1,1] istället för [0,255] (pre)
- Läsa mer om
- Dilated Dense Networks (DDN)
- Residual Networks
- augmentering (rotera translatera etc så att positionsinfo är samma) (pre)
- gaussisk faltning (post)
- ta bort små öar/brus (post)
- Mask RCNN
- To Do
- kör all preprocessing på flera kärnor
- börja visualisera
- i samma anda, titta på t-sne
- titta upp accuracy
- generera mer testdata (augmentering?)
- titta upp hur batch size fungerar, varför stora batches fuckar ramen
- titta upp om dice fungerar som loss function, annars alternativ
- fixa generic keras conv nät för att kunna testa andra (egna) arkitekturer
- pre- och postprocessing
- undersök andra optimizers och learning rates (ex adam tar massa ram då en extra parameter (variabel learning rate) måste sparas per parameter i parametervektorn)
- gör ett validation set (ex i keras fit generator eller genom att implementera en väljare)