衷心感谢Kaggle和HuBMAP组织了这场非常有趣的比赛。这是与我的长期队友@phamvanlinh143的联合撰写，他在这次比赛中完成了大部分艰苦工作。
总结
这场比赛特别棘手，需要解决几个关键问题：
- 公共测试集和私有测试集结构不同，私有测试集来自未见过的WSI（全切片图像）。公共测试集规模很小，导致LB（排行榜）完全不可靠
- 扩张操作在公共LB上产生的奇怪效果
幸运的是，我们制定了应对这些问题的策略：
- 建立可靠的CV（交叉验证）并信任它
- 训练大型多样化的模型集成以确保稳定性
- 提交两个版本：带扩张和不带扩张的集成模型
交叉验证
要建立值得信赖的CV，必须尽可能模拟私有测试集的生成方式：
- 验证必须使用Dataset1的标签
- 训练集和验证集不能包含相同的WSI
简单的方案是使用Dataset1-WSI1作为验证折，Dataset1-WSI2作为另一折，但这会丢失大量训练样本。我们采用的方法是：
- 利用元数据将每个WSI的Dataset1切片分为左侧和右侧，形成4折：
- Dataset1 – WSI1 - 左侧
- Dataset1 – WSI1 - 右侧
- Dataset1 – WSI2 - 左侧
- Dataset1 – WSI2 - 右侧
- 使用
staintools为每个训练切片生成9个转换样式后的变体（模仿Dataset3中的9个额外WSI）。当采样切片与验证集来自相同WSI时，改用生成的变体进行训练
模型训练
输入数据
使用两种数据类型：
- 原始切片
- 填充切片（类似@hengck提出的方案）：使用相邻切片在原始切片周围填充128像素，推理时预测填充区域后中心裁剪
数据增强
应用了强增强策略：
- 染色增强：与验证集同WSI的切片p=1.0，否则p=0.5
- 几何与色彩变换：RandomRotate90、RandomFlip、ElasticTransform、ShiftScaleRotate、RandomBrightnessContrast、HueSaturationValue等
- AutoAugment（类似DETR训练配置）
训练细节
仅针对血管类别进行两阶段训练：
- 阶段1：使用3折Dataset1 + 全部Dataset2训练30个epoch
- 阶段2：仅在3折Dataset1上微调15个epoch
- 从微调阶段选取5个检查点进行SWA（随机权重平均）得到最终模型
模型架构
采用Cascade Mask-RCNN模型，包含以下骨干网络：
- swin-t
- coat-small
- convnext-t
- convnext-s
在mmdet 2.x框架下训练，最终集成包含折模型和全数据模型。
后处理
按以下标准过滤掩码：
- 肾小球过滤：移除在肾小球区域内面积超过60%的掩码
- 置信度过滤：移除置信度<0.01的掩码
- 像素集成过滤：统计每个像素被多少模型预测为血管，计算q=0.05分位数作为阈值，移除所有像素计数均低于阈值的掩码
- 实例集成过滤：执行NMS（IoU=0.65），移除重叠掩码数量低于q=0.075分位数的掩码
- 小掩码过滤：移除像素数少于64的掩码
扩张与否的抉择
我们观察到扩张操作在公共LB上产生显著分数变化，但CV中完全无效。虽然主办方确认公私测试集使用相同验证流程，我们仍无法信任扩张。利用双提交机会：
- 带扩张：公共0.551，私有0.526
- 不带扩张：公共0.465，私有0.588
后续测试表明，单个骨干网络不带扩张的提交即可进入私有金牌区（公共LB仅0.4x）。尽管我们因信任CV做出了正确选择，公共LB的这种行为仍是未解之谜。
感谢阅读，欢迎提问交流。