rle to mask -> Create binary, multi dataset

Class 별로 데이터 편향 줄이기 : kidney, prostate, lagre intestine, spleen, lung 데이터셋의 비중을 맞추기 위함

Background 비율 조절 : Background가 학습에 방해요인이라 생각하여 비중을 덜어내기 위함

Resize : 다운스케일링

Convert : 3000x3000 픽셀의 데이터셋을 해상도 손상 없이 다운스케일링 하기위함
원본 이미지를 리사이징 한 다음 정해준 size로 convert해주는데, 주어지는 reduce값에 따라 convert되는 개수, 패딩 정도가 다름 다양한 reduce값을 준 뒤 패딩값이 제일 적은 값으로만 선정한 후, 같은 input size에 여러 reduce값을 준 데이터셋을 합침
ex) input-size : 256 -> reduce 4 - 원본이미지/16, reduce 6 - 원본이미지/9 -> 같은 256x256사이즈의 이미지여도 ground truth값은 다 다름
위와 같이 다양한 reduce값의 이미지를 하나의 데이터셋으로 묶어서 학습시켰을 때 성능이 뛰어남

Convert with stride : 3000x3000 픽셀의 데이터셋을 convert할 때, stride값을 추가
앞서 말한 다양한 reduce값의 256x256 데이터셋에 stride를 128 ( input size의 절반만큼 ) 주고 데이터셋을 만들었을 때 성능이 가장 좋았음

Delete non-mask image : 학습률을 높이기 위한 목적으로 Backgound 뿐인 마스크 이미지 제거

Create COCOformat : noise 목적으로 Copy & Paste 데이터셋을 만들기 위함

Mosaic augmentation(offline) : convert dataset 4장을 랜덤하게 mosaic하여 데이터증강, 성능이 좋지 못했음

LBP augmentation(offline) : convert with stride 데이터셋으로 진행 , 성능이 좋지 못했음

Binary2Multi : binary형태의 데이터셋에 label별로 array를 다르게 줌으로써 multi데이터셋으로 변환
kidney - 1 , prostate - 2 , largeintestine - 3 , spleen - 4 , lung - 5
mmsegmentation에서 binary 보다 multi dataset으로 학습시킨 결과가 더 좋았음