Torsdag 27/6

[felixseriksson]

• 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)