第7名解决方案

感谢HuBMAP举办这场激动人心的比赛，祝贺所有获奖者和奖牌得主！

• 概述
  • 使用dataset1、2、3（伪标签）训练的Mask R-CNN模型
• 训练流程
  • 使用dataset1训练模型（5折交叉验证）
  • 使用上述模型为dataset2、3生成伪标签（每折都生成）
  • 使用dataset1、2、3训练模型（5折交叉验证）
  • 对于dataset2，同时使用了原始（膨胀的）标注和伪标签
• 模型
  • Mask R-CNN（Swin Transformer骨干网络，HTC RoI头）
• 数据增强
  • 随机调整大小（768-1536）、翻转、90度旋转、随机亮度对比度、色调饱和度值
• 测试时增强（TTA）
  • 调整大小（1024, 1536）、水平和垂直翻转
• 集成
  • 在区域提议和RoI头上进行集成
  • 参见本解决方案中的"集成检测模型"部分： https://www.kaggle.com/competitions/sartorius-cell-instance-segmentation/discussion/298146
• 后处理
  • 膨胀处理
  • 移除小掩码
  • 移除包含肾小球区域的掩码
• 对我无效的方法
  • 使用测试图像的伪标签进行训练（在提交中训练）
  • 外部数据集： https://data.mendeley.com/datasets/m2t49zf6xr/1
  • YOLOv8
  • 提交中的谜题： https://www.kaggle.com/competitions/hubmap-hacking-the-human-vasculature/discussion/417314
• 膨胀还是不膨胀
  • 我在实验中发现，当仅使用dataset1进行训练时，不使用膨胀的分数比使用膨胀更高。因此，我怀疑膨胀的成功来源于有噪声的dataset2，并且是一种对LB的过拟合方法。因此，我尝试通过使用伪标签和dataset2的膨胀标注掩码来最小化使用膨胀和不使用膨胀之间的分数差异。
  • 在第一次提交中，使用膨胀的分数比不使用膨胀高出0.1，但在最终提交中，差异缩小到了0.02。然而，对于公共和私有LB，使用膨胀的提交仍然更好。