fnruha0921/knps-change-detection-tmp

KNPS 2026 주제3 (시설물 변화탐지) — 임시 실험 저장소

AIFactory competition 9306. 학습 데이터 미제공 → HF 공개 데이터(FLAIR Etalab-2.0, OAM-TCD CC BY 4.0)로 만든 합성 전/후 쌍으로 학습.

models/

파일	구조	설명	본 점수 (Public)
(미포함) unet_r18_cd.pt	smp Unet-R18, 6ch, 3cls	운영진 베이스라인 원본 — 대회 베이스라인 zip에서 받을 것	≈0.278 (타팀 다수 동일점)
unet_run1_25m.pt	〃	원본 → 합성(Synth) 25분, 10.8k step	0.3360 (argmax)
unet_run2_26m_debug0597.pt	〃	run1 → 합성 2배 데이터로 ~22분 추가	0.2719 (p>0.5), 디버그 0.5974
unet_synth2_h1.pt / unet_run2_final.pt / unet_synth2.pt	〃	run2 60분 스냅샷	미제출
unet_wise_{3,5,7}.pt	〃	WiSE-FT: α·run1 + (1−α)·원본	wise_7: 0.3118 (argmax)
unet_anch_m{3..15}.pt	〃	원본 → Synth3(위성열화·강화 음성) 15분, L2-SP 1e-3	미제출
siam_v2_m30.pt / siam_v2.pt	model_v2.SiamCD (Satlas Aerial Swin-v2-B Siamese)	Synth3 45분 (30분 스냅샷 / 최종)	미제출
unet_synth.pt	〃	작업용 사본 (run1 계열)	—

디버그 점수는 본 점수와 상관이 낮음 (0.5974 → 0.2719).

code/

• prep.py: FLAIR/TCD → 0.53~0.64 m/px npy
• train.py/train2.py: 합성쌍 생성기(Synth) + UNet 학습 / train3.py: Synth3 + SiamCD / train4.py + model_v3.py: 하이브리드(미학습) / train5.py: L2-SP 앵커 학습
• build_nb.py: 제출 노트북 생성 (unet / siam / hybrid / ens)

submissions/

제출 노트북 원본 (가중치는 assets/model/ 에 넣어서 zip).

data/prep/

전처리된 학습 장면 (FLAIR 12개 도 + OAM-TCD train) — 재개 시 다운로드·전처리 생략용. 출처: IGNF/FLAIR-1-2 (Etalab Open Licence 2.0), restor/tcd (CC BY 4.0).