第13名解决方案

首先，我们要感谢组织者和Kaggle团队举办本次竞赛。

概述

我们总共集成了20个模型，包括2.5D模型和2D模型。

我们使用Nelder-Mead方法来确定具有恒定阈值的权重。

我认为对各个标签的预测取平均值是获得最佳分数的最佳方式。

以下是Masaya部分的简要介绍。

Masaya部分

数据预处理

我准备了两套评估数据：仅使用验证数据和使用交叉验证。

这是因为我也希望将验证数据用作训练数据，同时验证数据与Public LB高度相关。

也许提高我分数最重要的两点是：

• 标签数据在各个标注者之间取平均值
• 图像分辨率设置为512像素或更高

模型

• EfficientNetb7-UNet
• EfficientNetb7-Unet++
• MiTb5-UNet

训练

• 自动混合精度（amp）（有时损失会变为NaN，为什么？）
• 优化器：AdamW
  • 无权重衰减
• 学习率调度器：带warm up的余弦退火
  • 初始学习率：3e-4 ~ 5e-4
• 损失函数：SoftBCE
• 交叉验证策略
  • 保留验证集
  • 分层K折（StratifiedKFold）
    • 使用训练数据或验证数据
    • 包含掩码
• 数据增强
  • 水平翻转和垂直翻转（长期训练有效）
  • 仅使用ShiftScaleRotate
  • 不使用增强

后处理

阈值根据CV划分方式的不同而变化很大。

因此，通过简单平均进行集成得到的准确率较低。

所以，我们固定阈值，并使用Nelder-Mead方法确定使验证集性能最大化的权重。

对我无效的方法

• 伪标签
• 仅对正样本图像进行训练
• 正标签筛选
• 使用第一阶段分割预测作为输入的第二阶段模型
• TTA（测试时增强）
• 其他波段图像