第13名解决方案

大家好，这真的让我非常惊讶。我在比赛初期建立了一个可靠的基线模型，之后因为忙于其他事情就没有继续跟进。我已将此方法开源。

这个笔记本是在大约3个月前创建的（在比赛开始的前几周……也可能是第一周）。

基本方法如下：

• 使用TPU在WSI（全切片图像）上微调预训练的EfficientNetB6模型。
• 模型头部结构 --> Dropout层 (比率0.5) > 带类别权重的2节点全连接层。
• 学习率先上升后衰减（共12个Epoch）。
• 使用完整的切片图像（不进行切片/平铺处理）。
• 图像被调整为 (512, 512, 3) 尺寸。
• 使用 pyvips 处理 WSI。
• 训练数据增强代码：

def augment_batch(img_batch):
    img_batch = tf.image.random_brightness(img_batch, 0.2)
    img_batch = tf.image.random_contrast(img_batch, 0.5, 2.0)
    img_batch = tf.image.random_saturation(img_batch, 0.75, 1.25)
    img_batch = tf.image.random_hue(img_batch, 0.1)
    return img_batch

如果大家有任何问题，请告诉我！另外，感谢Kaggle持续举办有趣的生物竞赛。

附言：这让我晋升为了竞赛大师。耶！