notes

### model_base
Val: loss=0.0447, acc=25/103

### model_resnet50
Training the full model
Val@8 loss=0.0389, acc=42/103
Training only the last fc
Val@9 loss=0.0519 acc=48/103
Continue à s'améliorer, on peut plus entrainer
Train bcp plus vite si on freeze le featurizer

### crop + model_resnet50
acc similaire au précédent



crop -> add factor for slack


Premier modèle de crop (out of the box detectron2) -> Marche pas mal, mais parfois détecte plusieurs oiseaux. Généralement c'est le même, et les détections de faible confiances sont des dezooms inutiles, mais parfois les deuxièmes sont mieux. Les garder toutes ?
MEF -> en croppant, perte de contexte, perte d'information. C'est peut-être utile de garder un peu de contexte.

Faire du clustering sur les high level features pour voir ce qui est dur à classifier
-> visualisation (tSNE, PCA, isomap...)
-> TDA (permet de voir les composantes connexes...)


k-fold cross-Val

Data augmentation


random erasing https://arxiv.org/abs/1708.04896


RESIZE (En 64x64 je dépassais pas 50% d'acc, en 256x256 avec exactement la meme setup je sors 75% en 5 epochs)
-> 224 (c'est fait pour)

étudier les tailles des crops -> adaptive resize ?

Comprendre l'outlier de la tSNE -> a priori, c'est juste que il est vraiment fin vertical, et qu'il se fait déformer quand il est mis en 512x512

TODO adaptive resize
TODO pour le cropper, faire un crop englobant