第8名解决方案：单一模型配合强增强 + 阈值调整

感谢Hubmap举办如此精彩的比赛，也感谢众多提供帮助的notebook和讨论。

总结

• 使用yolov8x-seg模型，配合强增强，使用全部训练数据
• 将掩码概率转换为二进制的阈值似乎是得分的关键

训练过程

• 使用yolov8x-seg模型（设置见下文）和全部训练数据
• 训练了所有3个类别
• 2折交叉验证：
  • 折1：wsi1, 3
  • 折2：wsi2, 4
  • 关键发现：掩码阈值的最优值在折1和折2之间差异很大。例如：
    • 掩码阈值, 折1验证集, 折2验证集
    • 0.2, 0.349, 0.35
    • 0.5, 0.211, 0.481
  • 因此，在最后两次提交中，我选择为不同折使用不同的掩码阈值

yolov8设置如下：

imgsz=512,
batch = 16 * 4

lr0 = 1e-4
lrf = 1e-2
cos_lr=True
optimizer = "AdamW"
close_mozaic = 10

## 增强参数
hsv_h= 0.015
hsv_s= 0.7
hsv_v= 0.4
degrees= 45.0
translate= 0.1
scale= 0.5
shear= 15.0
perspective= 0.0
flipud= 0.5
fliplr= 0.5
mosaic= 1.0
mixup= 1.0/3
copy_paste= 1.0/3

mask_ratio=1

推理过程

• 图像尺寸：768（为什么比512更好？）
• 如上所述，使用了两个不同的阈值：
  • 阈值0.5：私有集 0.56，公开集: 0.391
  • 阈值0.2：私有集0.369，公开集: 0.506

未奏效的方法

• 与语义分割结合
• 在大图像尺寸（768, 1024）上训练
• tta(rot90)（我的实现中可能有bug？）

未尝试的方法

• 在实例分割模型中使用伪标签
• Stein增强
• WBF（加权框融合）
• 以及其他许多模型