第6名方案：多视图、多侧面、多阶段方法
首先，我要向比赛组织者和Kaggle团队表达深深的感谢。比赛数据集的质量非常高，如果我们的解决方案能为提高乳腺癌筛查的质量做出贡献，我们将感到非常高兴。我还要感谢在比赛期间与我一起奋斗的队友们。
最后，热烈祝贺所有的获奖者（也祝贺我们自己，产生了三位新的竞赛Grandmaster）！
预处理
- 原始图像数组被调整为 2048 x 2048 x 1
- 对所有图像应用了 VOI-LUT
- 然后对图像进行裁剪以排除空白区域
- 训练了 YOLOX 模型来生成乳腺边界框
- 与简单的基于规则的乳腺提取相比，YOLOX 裁剪的图像通常区域更小，这似乎有助于防止我们的模型过拟合
- 为了缩短推理时间，我们在推理过程中使用了简单的基于规则的裁剪
- 在训练期间，图像以随机边距进行裁剪作为数据增强
- Bbox mix（YOLOX 裁剪 + 基于规则的裁剪）也被用作数据增强
- 裁剪后的图像被调整为 2:1 的纵横比（1024 x 512 或 1536 x 768）
- 使用了广泛的数据增强
- 仿射变换、垂直/水平翻转、亮度/对比度、模糊、CLAHE、畸变、Dropout
模型架构
一些关键结果
| 模型名称 | 描述 | CV | Public LB | Private LB |
|---|---|---|---|---|
| Aug07lr0 | MV, 1024x512 | 0.493 | 0.64 | 0.46 |
| Res02lr0 | MV, 1536x768 | 0.488 | 0.59 | 0.46 |
| Res02mod2 | MVF, 1536x768 | 0.516 | - | - |
| Res02mod3 | MVF, 1536x768 | 0.525 | 0.63 | 0.48 |
| charm_convnext_small_multi_lat | MVL, 1024x512 | 0.498 | 0.60 | 0.50 |
训练的一些技巧
- 由于 PF1 指标的不稳定性，精确召回曲线下面积（AUCPR）作为替代指标效果很好
- AUCPRLoss (
同比赛其他方案
- AUCPRLoss (