第三名方案

感谢组织者，并祝贺所有获奖者，我从讨论区和往届比赛的解决方案中学到了很多，感谢大家的慷慨分享！

摘要

我的整体方案与第二名的方案类似，但没有使用3D模型。我的方案是使用检测器检测主要区域，然后使用分类器判断是否需要进行分割，最后对需要分割的图像进行分割，并且只保留分类器判断为正样本的分割结果。

细节

• 通过分组划分case进行5折交叉验证
• 仅使用2.5D模型（slice=3 和 slice=5）
• 预处理（使用检测模型裁剪），参考了 [bestfitting] 和 [Guanshuo Xu] 的思路
• 我的训练流程（cls + seg 方法以及模型的 swa）基于我们的 siim acr 解决方案 (SIIM-ACR Solution)

模型

预处理

• EfficientDet-D0，尺寸=256，epoch=5，其他所有参数均使用默认参数。这对模型来说是一个非常容易学习的任务。我通过图像预处理生成了一些训练样本，并重新标记了不好的边界框。

分类部分

仅使用带有不同主干网络和分类分支的 Unet（Smp-Unet 和 Timm-Unet），Timm-Unet 参考了 selimsef 的 xview3_solution，感谢他的分享，然后我针对本次比赛对网络进行了一些修改。

• Cls 分支损失：bce loss
• Seg 分支损失：bce loss
• 使用 ema（参考 DungNB）和 swa
• Epoch=35（7个周期）
• 初始学习率 Init lr=3e-4 或 5e-4
• 数据：使用所有数据
• 模型选择指标：TP / (TP + FP + FN) 和 Dice 分数

模型列表

• Smp-Unet efficientnet-b7, 尺寸=320, slice=5
• Timm-Unet efficientnet-v2-l, 尺寸=320, slice=3
• Timm-Unet efficientnet-v2-l, 尺寸=320, slice=5
• Timm-Unet efficientnet-v2-m, 尺寸=352, slice=5
• Timm-Unet efficientnet-b7ns, 尺寸=320, slice=5

分割部分

对于分类模型，我主要关注分类的准确性。对于分割模型，我希望获得更好的分割效果，因此我单独训练了分割模型。

• Cls 分支损失：bce loss
• Seg 分支损失：ComboLoss({'bce': 0.5, 'dice': 0.5, 'lovasz': 1})
• 数据：所有正样本
• 使用 ema 和 swa
• 模型选择指标：Dice 分数
• Timm-Unet efficientnet-v2-l-1 和 Timm-Unet efficientnet-v2-l-2 使用了不同尺度的预训练调整

模型列表

• Timm-Unet efficientnet-v2-l, 尺寸=384, epoch=35, slice=5
• Timm-Unet efficientnet-v2-l-1, 尺寸=416, epoch=35, slice=5
• Timm-Unet efficientnet-v2-l-2, 尺寸=416, epoch=35, slice=5
• Timm-Unet efficientnet-v2-m, 尺寸=416, epoch=35, slice=5

后处理

• 移除25像素的部分
• 以连续三个预测为正样本