クラス c0: normal driving c1: texting - right c2: talking on the phone - right c3: texting - left c4: talking on the phone - left c5: operating the radio c6: drinking c7: reaching behind c8: hair and makeup c9: talking to passenger
余談：LB での accuracy l 普通に提出するとテストデータの public LB 部分 での logloss が⼿に⼊る（当たり前） l 実はテストデータの public LB 部分での accuracy も⼿に⼊れられる n 予想確率を one-hot っぽくして提出 (例：予想クラスを 0.91、それ以外を 0.01) n 正解時のスコアと不正解時のスコアが⼀定 n 正解の割合が計算できる
Validation はちゃんとやる l Train / validation を完全ランダムに選択し ていた l 同じドライバーの画像は極めて似てる l テストデータと訓練データは違うドライバー l Train / validation もドライバーで分割しな いとだめ（そのための driver_imgs_list.csv！） l ド定番素⼈ミス
Pre-trained VGG16 l このコンテストは external data 使⽤可 l Kaggle では初？ Forum では議論が⽩熱 l Pre-trained model は絶対使う⽅が良い （と思った） l Pre-trained model を使うため、 CNN のモデルは既存のものから選ぶだけ（楽になった？）
Pre-trained VGG16 l 当時定番っぽかった VGG16 を選択 l Fine tuning は⼩さめの学習率 n 0.001 とかからスタート n （参考：ImageNet は普通 0.1 スタート） l 2,3 エポックで validation loss はサチってた （短い気がするが後述のデータの性質が関係？）
Pseudo Labeling とは l ⼀種の半教師有り学習のフレームワーク l 訓練データに加え、テストデータを⽤いて訓練 l テストデータのラベルは以前のモデルによる予測 l 訓練データに対しテストデータが相対的に少なくな るように⼊れるほうが良いっぽい （NDSB 優勝チームは 2:1 になるようにしていたので僕もそれに従った）
考えたこと l Pseudo Labeling が効きすぎているのでは？ l Pseudo Label を暗記されてそのまま出⼒され ては困る l そこそこ離れた画像への Pseudo Label だけ が学習に影響してほしい l あと、完全なクラスタリングはどうしてもうまくいかないので、 クラスタリングがそこそこうまくいくっぽいことを利⽤したい
mraible
manfredsteyer
sagawa23
pineapplecandy
yusukebe
pyama86
torounit
cer
logiteca7
takuyay0ne
yosuke_furukawa
dougneiner
michaelherold
garrettdimon
ammeep
colly
akmur
brettharned
chriscoyier
3n
phodgson
ddemaree
samanthasiow