#23 Turing × atmaCup 2nd 6th Place Solution + 取り組み方紹介

#22 CA x atmaCup 3rd 振り返り会の登壇資料
https://turing.connpass.com/event/382683/

コンペURLはこちら
https://www.guruguru.science/competitions/31/

Transcript

1. ©Commune Inc. | 1 #23 Turing × atmaCup 2nd 6th Place Solution + 取り組み方紹介 2026/2/14 Yuki Mizuta / yumizu
2. ©Commune Inc. | 2 Yuki Mizuta / yumizu 経歴 • ~2024：鉄道会社 Data Scientist • 2025~：Commune.inc Data Scientist SNS • X：@yumizzzz atmaCup • #22 1st🥇 Favorite • 関西 / オカメインコ / コーヒー / 阪神タイガース　
3. ©Commune Inc. | 3 #23 Turing × atmaCup 2nd • https://www.guruguru.science/competitions/31/data-sources • https://www.guruguru.science/competitions/31/discussions/64603eb1-c3d4-411b-b19e-35ded85a6830/
4. ©Commune Inc. | 4 結果 Public 5位 / Private 6位でした（社会人部門 4位で入賞）
5. ©Commune Inc. | 5 解法紹介
6. ©Commune Inc. | 6 パイプライン 1. BoQ Global Feature を用いてクエリ画像と類似度する画像 25件を取得 2. 類似画像の座標情報を用いた地理的クラスタリング 3. 類似度及びLightGlueインライア数を用いたリランキング
7. ©Commune Inc. | 7 上位解法との違い 誤解を恐れず言うと... 1～5位の解法 • 1st Stage：VPRモデルを用いた類似画像（ w/座標）の取得 • 2nd Stage： VGGTのような座標情報+幾何的手法による座標の補正（ 小～中距離誤差の対策 ） 私の解法（ 6位） • 1st Stage：VPRモデルを用いた類似画像（ w/座標）の取得 • 2nd Stage：座標情報による外れ値除去（ 長距離誤差の対策 ）
8. ©Commune Inc. | 8 座標情報による外れ値除去（長距離誤差の対策） • ほとんどの候補はある地点の周辺に集まっている • 明らかに離れた場所の候補が含まれることも ... • こうした外れ値が、たまたま類似度が高く Top-1に なってしまうことがある → この外れ値を除去すれば、精度が上がるのでは？ 類似画像Top-Kの座標をプロットしてみると、以下のようなケースがあった
9. ©Commune Inc. | 9 座標情報による外れ値除去（長距離誤差の対策） クラスタリングルール 1. 類似度上位25件の候補を取得 2. 類似度が高い順に、 200m以内の候補を同一クラスタに 3. 各クラスタのスコア = 平均類似度 × log1p(クラスタサイズ) 4. 最もスコアが高いクラスタに属する画像のみを採用 ※ ただし大きなクラスタがある場合のみ 単純なルールベースのクラスタリングを行い、孤立している予測候補を除去する クラスタリング CV Public Private なし 18.31 17.41 17.48 あり 16.58 14.83 15.56
10. ©Commune Inc. | 10 その他の工夫： CV設計 選定理由 • テストデータ推論時にはtrainデータ全てをインデックスとするので、CVも 同様条件で検証したかった • モデル学習・検証を行わないので、推論時間増大や評価データ1件によ る精度過大評価は発生しない 結果 • CVとLBの乖離も小さく、相関もとれていた Leave-One-Out Cross Validationを採用 https://dataaspirant.com/leave-one-out-cross-validation-loocv/
11. ©Commune Inc. | 11 社内でのatmaCupの取り組み紹介
12. ©Commune Inc. | 12 社内メンバーで atmaCupに参加 • 社内のML/DSチームの全員がatmaCupに参加（第20回以降連続） ◦ プライベート優先で強制参加ではない • 全員がソロ参加 ◦ コンペ期間中にPrivate Sharingを行っていない
13. ©Commune Inc. | 13 社内でコンペに参加する良さ コンペ開催期間中 • チームミーティングでの雑談（ e.g. 「◦◦さん順位いいね！」）が刺激となる • 同じコンペに取り組んでいる人が身近にいるので、よりコンペをエンジョイできる コンペ開催終了後 • 振り返り会開催のハードルが低い ◦ 普段実施している勉強会を、振り返り会に置き換えて実施している • チーム全体の一体感醸成やスキル向上に繋がる
14. ©Commune Inc. | 14 振り返り会の内容 詳しくは実際の振り返り会のドキュメント をご確認ください
15. ©Commune Inc. | 15 振り返り会の内容を一部紹介 suk1yak1さんがLate submission でスゴい結果を出していました ...！
16. ©Commune Inc. | 16 振り返り会の内容を一部紹介 1. VPRモデルのアンサンブル（ CV：21.49） ◦ ImAge, MegaLoc, BoQによる類似度の重み付け平均 → 上位10件取得 2. LightGlue + Masked RANSAC によるリランキング（ CV：21.36） ◦ ALIKED によるKeypoint取得 → LightGlueによるマッチング ◦ Mask R-CNNによる車両領域を抽出 → 車両領域内の対応点を除外 ◦ インライア数によるリランキング 3. VGGTによる座標補正（CV：14.70） ◦ 類似度Top-5 及び Top-1の近傍画像 よりアンカー画像を選択 ◦ VGGTにより3D空間を構築 ◦ 複数のアンカー画像からの推定したクエリ画像座標に対して、 RANSACによる外れ値除去
17. ©Commune Inc. | 17 まとめ
18. ©Commune Inc. | 18 まとめ • シンプルの手法・発想で比較的上位に入れたのは良かった ◦ MegaLoc や VGGT を使えなかったのは心残り。 Discussionにヒントはあった。 • Discussionを投稿して、多くの方に使っていただいた（はず） ◦ 3カメラの位置情報から車両の進行方向を推定する ◦ なのに自分では使えなかった • 社内のメンバーで参加してモチベーションを維持できた ◦ チームを組むのもよし、ソロ参加もよし
19. ©Commune Inc. | 19 ご清聴ありがとうございました。 運営の皆様、楽しいコンペをありがとうございました！