第26名方案

感谢所有为比赛做出贡献的人，也感谢 Kaggle 举办这次比赛。

我的方案没有涉及复杂的流程，就像大多数人一样，只是单图像分类。以下是一些你可能感兴趣的设置：

• 数据增强：RandomRotate90, HorizontalFlip, VerticalFlip
• 模型与分辨率：
  1. ConvnextV2_nano @ 1536
  2. ConvnextV2_nano (不同种子) @ 1536
  3. ConvnextV2_nano @ 2048
  4. EfficientnetV2_s @ 1536
• 优化器与调度器：Adam (lr=3e-5) + OneCycleLR
• 轮次：33
• 聚合方式：取最大值
• 辅助损失：无
• 平板特征：无
• SWA (随机权重平均)：无
• 外部数据集：无

唯一的技巧：丢弃假阳性

我意识到所有标记为 laterality + patient_id（侧位 + 患者ID）的标签都是一样的。这意味着标签实际上是针对 patient + laterality 的，而不是针对单张图像的。所以处理这个问题最简单的方法是，训练 OOF (Out-of-Fold)，然后丢弃高置信度的假阴性样本（例如标签是 1，但模型预测概率只有 0.1 或 0.01）。做完这一步后，CV 分数大幅提升（大约提升了 0.03 到 0.04）。

我的收获

性能在比赛中非常重要。我很高兴我花了近一个月的时间来优化推理流程，我也确实学到了一些东西，比如开源了 nvjpeg2k-python（第一次写 CUDA 代码，感觉很不错）。为了最大限度地利用硬件，我使用了 2 x T4 内核和一些多进程技巧。你可以在推理笔记本中看到这些。

我使用了我在帖子中提到的百分位阈值技巧，因为它让我的 LB 分数提升了约 0.015。我知道这样做很有可能过拟合 LB，但我仍然选择它作为我最后提交的选择之一，因为它在 LB 上的表现实在太好了……不使用百分位的手动阈值结果是 0.61，而 LB 上 0.63 的分数太诱人了，以至于我抛弃了其他一切。

祝贺所有的获奖者！感谢这个伟大的社区，我们下一场比赛见。