第7名解决方案
总结：
- 512x512输入分辨率，单帧模型（无2.5D分割，无输出序列融合）；
- 非二进制目标（human_individual_masks.npy文件的平均值）；
- 数据增强：Rotate90 + Flip + ShiftScaleRotate；
- 使用正交化的9通道输入色彩空间替代ASH-RGB；
- 5个UNet+EfficientNet模型的加权集成，通过损失函数和编码器多样化；
- TTA x8均值。
输入预处理：
大量证据表明更高分辨率有助于提升效果，经过多次实验后，我决定512x512输入分辨率在质量和资源消耗之间似乎是最佳平衡点。
我未能检测到其他参赛者报告的目标像素偏移问题，但注意到看似"旋转无关"的数据域存在某些问题，因为任何数据增强都会使较小模型（尤其是256x256分辨率训练的模型）性能下降。
但同样的增强方法与更大模型/分辨率结合时效果显著：即使在已应用的[rot90 + flip]基础上轻微增加ShiftScaleRotate，也能提升泛化能力，这体现在训练样本/样本外性能差异和验证分数上。因此，我最终确定了上述组合方案。
考虑到标签性质和标注者严格指导，网格扭曲/CutMix/重度仿射变换等增强方式似乎并不合适，我甚至没有在这方面进行实验。
颜色空间：
最有趣的发现是ASH-RGB色彩空间实际上并非最佳选择（至少在我的流程中如此），尽管它被用于数据标注，这对我而言仍不清楚且相当令人困惑。
最初我考虑使用不同色彩空间有助于使最终集成更加多样化和稳健，因此我尝试了多种组合，包括原始的9通道band_{08-16}光谱（其效果与ASH-RGB相当甚至更差），并发现通过对该光谱进行正交化（然后进行标准化缩放），可以"免费"获得约0.007-0.008的全局Dice分数提升（例如，使用奇异值分解对训练数据中的像素值统计信息进行变换）：
def transform(image, components=list(range(9))):
"""
image是原始光谱形状为(H, W, C=9)的均值-标准差缩放输入图像
components是要保留的奇异值列表，默认为全部
"""
# U, S, V^T = scipy.linalg.svd((features - features.mean(axis=0)) / features.std(axis=0), full_matrices=False)
# 其中features变量是numpy矩阵，形状为(H * W * #训练帧数, 9)
# 表示9通道像素值的训练样本
# H = W = 256 / 4，因为使用了图像的空间切片[::4, ::4]以节省内存
V = np.array([[ 0.30724147, 0.62773895, -0.14635018, -0.573297 , -0.12886728,
0.28318524, -0.24109024, 0.08076485, -0.00325075],
[ 0.32459396, 0.4853799 , 0.11397891, 0.12225674, 0.20599744,
-0.5490689 , 0.48917454, -0.21825205, 0.01644508],
[ 0.33743936, 0.25824797, 0.17345208, 0.69666064, 0.19566149,
0.26690215, -0.37061185, 0.23752698, -0.02699725],
[ 0.33981836, -0.26328832, 0.09320887, -0.13211036, 0.4346729 ,
0.40927857, 0.03781459, -0.64806664, -0.10579388],
[ 0.32521746, -0.17938325, -0.89748853, 0.14396429, 0.04797046,
-0.16805825, -0.07169384, 0.00493852, 0.0116129 ],
[ 0.33889034, -0.28138953, 0.12123773, -0.22792031, 0.30711567,
0.11115608, 0.32205147, 0.57906854, 0.44001597],
[ 0.33982533, -0.25831598, 0.19543712, -0.18796755, -0.03050064,
-0.2750708 , -0.11629675, 0.27289057, -0.76136464],
[ 0.3408047 , -0.21771011, 0.25839126, -0.08075125, -0.29107442,
-0.40241462, -0.4987889 , -0.23310575, 0.4619281 ],
[ 0.34446737, -0.09409835, 0.04087918, 0.19765726, -0.7290119 ,
0.3184076 , 0.43889487, -0.07267871, -0.03155228]]).astype(np.float32)
# 归一化最终模型输入：
std = np.array([2.4911032 , 0.63075846, 0.31504428, 0.15724187, 0.10641998,
0.0413455 , 0.02513309, 0.01830954, 0.00624112]).astype(np.float32)
output = (np.dot(image, V[:, components]) / std[components]).astype(np.float32)
return output自从发现这一点后，我在所有模型中都只使用这个色彩空间。
模型：
解码器复杂度越高（UNet++/DeepLabV3/UperNet等），结果越差，因此最终集成只使用了UNet模型。EfficientNet编码器明显优于ResNeXt/ResNeSt/ConvNeXt（尤其是ConvNeXt：经过对不同编码器/自定义首层膨胀的一系列实验后，我提出一个假设——第一个跳跃连接到解码器之前的第一个特征图分辨率越低，样本外得分就越低，考虑到高像素级精度的要求，这个假设很有说服力）。
损失函数：
由于时间和资源有限，我没有对此进行充分研究，特别是256x256轻量实验的结果与512x512重量级实验不匹配。但总体而言，单独使用BCE优于BCE+Dice或BCE+Focal的任何组合。然而，在BCE中少量添加Dice损失可能有帮助：虽然会降低全局Dice分数，但能改善与BCE训练模型的集成效果。
提高BCE目标的pos_weight，并对更接近标签边界的像素加权，可使模型更快收敛，但最终得分相近（像素加权掩膜示例如下）：
优化：
AdamW优化器，学习率调度：1个epoch从2e-4到5e-4的warmup，然后余弦退火至结束。
所有最终模型均使用PyTorch Lightning训练50或64个epoch，采用bf16混合精度。
最终提交：
在比赛末期，我没有足够时间训练模型来构建合适的集成，因此不得不即兴发挥，包含早期实验中最成功的模型（这些模型的检查点也未丢失），这意味着最终的组合有些随意，所有"幸存"的模型都在默认的训练/验证分割上训练（没有在n折CV分割上训练的模型）：
| 权重* | 编码器 | 损失函数 | 数据增强 | 仅验证文件夹 | LB（私有） |
|---|---|---|---|---|---|
| 0.45 | efficientnet-b7 (smp) | BCE** | Rot90 + Flip + ShiftScaleRotate | 0.70030 | 0.70755 |
| 0.27 | efficientnet-b7 (smp) | 0.98 BCE + 0.02 DICE | Rot90 + Flip + ShiftScaleRotate | 0.69794 | - |
| 0.12 | efficientnet-b7 (smp) | BCE** | Rot90 + Flip | 0.69524 | 0.69823 |
| 0.08 | tf_efficientnet_b7 (timm) | BCE** | Rot90 + Flip + ShiftScaleRotate | 0.67948 | 0.67705 |
| 0.08 | tf_efficientnet_b8 (timm) | BCE** | Rot90 + Flip + ShiftScaleRotate | 0.68611 | 0.69415 |
| 集成 | 0.70749 | 0.71337 |
所有阈值都在对数空间而非概率空间上针对验证文件夹进行调整，预测的加权和也在转换为概率前计算于对数空间。
- * 在验证文件夹上手动调整；
- ** 所有这些实验在BCE损失中具有略微不同的像素加权参数。