献给乌克兰武装部队！
感谢乌克兰武装部队为乌克兰的科学和教育提供了机会！

大家好，来自 complex 团队！
首先，我要非常感谢 Kaggle 团队举办了如此精彩的比赛。
每次能成为如此杰出研究的一员，我都深感荣幸。
我要代表我们的团队向 @hengck23 致以诚挚的谢意。我们从您的 Notebooks 中学到了很多：）
能有这样一位值得学习的优秀竞争对手，总是一件令人愉快的事！

我们的提交结果经历了几个阶段。我们主要没有对数据进行任何预处理。虽然，在比赛的最后，我们发现标注存在缺陷，这可能导致掩码略微减弱并给训练增加了噪声 [在概述末尾阅读相关内容]

概述

在尝试用一个模型训练所有器官并进行多次实验后，我们放弃了这个想法。原因是在 0.77 之后我们没有看到任何改善。
因此，我们认为模型需要关于器官类型的上下文信息。最初的实验设置了额外的辅助分类头来对每种器官类型进行分类。然而，这最终被证明是一条错误的道路；模型无法收敛，分数也没有提高。

然后，我们决定针对肺部和其余器官分别训练不同的模型。我们采用了这一策略，并在不同条件下继续训练模型：

• 我们将全尺寸掩码缩放至 768 用于 ['kidney'（肾脏）, 'largeintestine'（大肠）, 'lungs'（肺）, 'prostate'（前列腺）, 'spleen'（脾）]，+ 一些模型在训练集中排除了肺部进行训练
• 对于肺部，我们只选择了 type1 掩码类型的肺部 [肺部分割部分]，并通过首先将其缩放至 1024，然后使用核大小 512 和步幅 2 进行切片来预处理掩码批次

我们基于最佳本地 CV 分数，对 6 个模型应用不同权重进行了集成（每个模型 5 折）。另外，肺部仅使用了一个模型。

分割

在训练之前，我们将组织切片调整为 768 大小，并使用强数据增强进行训练。
我们发现强烈的色彩偏移和 dropout 噪声能产生良好的效果。

_transforms = A.Compose([
    A.VerticalFlip(p=0.5),
    A.HorizontalFlip(p=0.5),
    A.RandomRotate90(p=0.5),

    A.RandomBrightnessContrast(brightness_limit=(-0.02, 0.02), contrast_limit=(-0.02, 0.02), p=0.25),
    A.RGBShift(r_shift_limit=(-25, 25), g_shift_limit=(-20, 20), b_shift_limit=(-20, 20), p=0.5),
    A.HueSaturationValue(hue_shift_limit=(-15, 15), sat_shift_limit=(-15, 15), val_shift_limit=(-15, 15), p=0.5),
    A.CoarseDropout(max_holes=20, min_holes=7, p=0.5),
    A.ShiftScaleRotate(shift_limit=0, scale_limit=(-0.2, 0.2), rotate_limit=0, p=0.5),
    A.OneOf([
        A.GridDistortion(num_steps=5, distort_limit=0.05, p=1.0),
        A.ElasticTransform(alpha=1, sigma=50, alpha_affine=50, p=1.0)
    ], p=0.5),
])

最终的流程是一个模型动物园 :)

我们使用预训练的 ConvNext 和 HorNet 主干架构。对于解码器块，我们只使用了 UPerNet。

• 内部消息：比赛结束后，我们发现具有递归门控卷积（用于高阶空间交互）和大感受野（7x7 卷积和全局滤波器）的 HorNet 对所有器官都给出了显著稳定的结果！