返回列表

8th Place Solution: single model with heavy augmentation + tuned threshold

565. HuBMAP - Hacking the Human Vasculature | hubmap-hacking-the-human-vasculature

开始: 2023-05-22 结束: 2023-07-31 医学影像分析 数据算法赛
第8名解决方案:单一模型配合强增强 + 阈值调整

第8名解决方案:单一模型配合强增强 + 阈值调整

作者:rii (MASTER)
发布时间:2023-08-05
投票:12票

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
同比赛其他方案