第14名解决方案

感谢Kaggle和Google Research主办这场比赛。

以下是我们的简要解决方案。

预处理/数据集

• 图像尺寸： 384和512像素 - 双线性缩放图像
• 数据增强： 以下两种略有不同的增强方法是我们精选集成的一部分：

  def train_transform():
      transform = albu.Compose(
          [   
              albu.OneOf([
                  albu.HorizontalFlip(p = 1.0),
                  albu.VerticalFlip(p = 1.0),
              ], p = 0.50),
              albu.Rotate(limit = 180, p = 0.50),
              albu.Transpose(p = 0.50),
              albu.Normalize(
                  mean = (0.485, 0.456, 0.406),
                  std = (0.229, 0.224, 0.225),
                  max_pixel_value = 1.0
              ),
              ToTensorV2(transpose_mask = True),
          ],
          p = 1, is_check_shapes=False
      )
      return transform

  self.transform = {
              "train": A.Compose([
                  A.ShiftScaleRotate(scale_limit=0.20, rotate_limit=0, shift_limit=0.1, p=0.25, border_mode=cv2.BORDER_CONSTANT, value=0),
                  A.GridDistortion(p=0.25),
                  A.HorizontalFlip(p=0.25),
                  A.VerticalFlip(p=0.25),
                  A.Resize(*CFG.img_size),
                  A.RandomCrop(*CFG.crop_size),
         A.Normalize(mean=CFG.pp_params["mean"],std=CFG.pp_params["std"]),
                  A.pytorch.transforms.ToTensorV2(transpose_mask=True)
                  ], p=1.0),
          }

验证（集成中两种不同的交叉验证方案）

• 4折地理分箱交叉验证： 相似的图像被放在同一个折中，同时采用无重复采样（数据集类摘录）：

  self.dup_ids = self.df.dup_id.unique()
  def __getitem__(self, idx):
          dup_idx = self.dup_ids[idx]
          rows = self.df[self.df.dup_id == dup_idx]
          …

• 随机5折分割： 在训练集和给定的验证数据集上进行随机分割

有效的方法

• 软标签： 使用训练集中human_individual_masks的平均值，而不是human_pixel_masks；验证时使用human_pixel_masks
• 损失函数： 使用SoftBCEWithLogitsLoss处理软标签，dice损失与BCE损失的组合也有效
• 颜色处理： 使用常规的Ash彩色图像

模型（UNet）

学习率调度： 所有模型使用余弦退火调度器，热身比例为0.02或0.03

阈值

如果调整阈值，我们本可以进入奖金区。截止提交后测试发现，0.45的阈值在私有排行榜上达到0.713x，在公共排行榜上达到0.712x，但我们最终选择了0.5的阈值。

无效的方法

• 伪标签（PL）
• 测试时增强
• 使用其他波段、帧进行训练
• 加权损失
• 调整解码器通道数
• 各种其他骨干网络

非常感谢我的杰出团队成员： @ragnar123、 @optimo 和 @kunihikofurugori 🙏