第5名解决方案

感谢主办方，祝贺所有的获奖者以及我出色的队友 @boliu0。

我们的单模型表现并不是很好，甚至在很长一段时间里，我们都失去了拿金牌的信心。但令人惊讶的是，集成后的效果非常好。

所以我在这里主要想分享的是我们如何通过制造多样性来提升集成性能。

摘要

• 通过按 case 分组进行 5 折交叉验证
• 2.5D 模型（共 x, y, z 3 种类型）
• 3D 模型
• 后处理

2.5D 模型

使用的库：

• https://github.com/qubvel/segmentation_models.pytorch
• https://github.com/rwightman/pytorch-image-models
• https://github.com/sithu31296/semantic-segmentation

我们首先将数据集构建为 3D 格式，然后通过分别沿 x、y 和 z 轴切割，可以获得 3 种不同类型的 2.5D 数据集。我将其称为 2.5Dx（原始）、2.5Dy 和 2.5Dz。

然后我们在这些 2.5D 数据集上训练了 9 个模型：

• 在 2.5Dx 数据集上训练 efficientnet v2s unet
• 在 2.5Dx 数据集上训练 nfnet l0 unet
• 在 2.5Dx 数据集上训练 convnext small unet
• 在 2.5Dx 数据集上训练 pvtv2b2 segformer
• 在 2.5Dx 数据集上训练 mitb2 segformer
• 在 2.5Dy 数据集上训练 efficientnet v2s unet
• 在 2.5Dy 数据集上训练 convnext small unet++
• 在 2.5Dz 数据集上训练 efficientnet v2s unet
• 在 2.5Dz 数据集上训练 convnext small unet++

3D 模型

使用的库：

• https://github.com/qubvel/segmentation_models.pytorch
• https://github.com/rwightman/pytorch-image-models
• https://github.com/Project-MONAI/MONAI

在这一部分，我相信我们的做法与大多数人没有什么不同。我们训练了：

• 在 3D 数据集上训练 resnet unet
• 在 3D 数据集上训练 efficientnet v2s unet
• 在 3D 数据集上训练 efficientnet v2m unet

上述提到的单模型中最高的公共榜单分数仅为 0.875。对于最终的集成，我们简单地平均了所有模型的输出，然后使用 0.3 的阈值，得到了 0.889 的公共榜单分数。

后处理

对于那些预测面积小于 50 像素的图像，我们将其丢弃。通过使用这种方法，我们的公共榜单分数达到了 0.890。

致谢

感谢 Z by HP 赞助配备了双 A6000 GPU 的 Z by HP Z8G4 工作站，我在上面训练了许多模型。单 GPU 48G 的大显存让我能够轻松训练 3D 模型！