恭喜所有获奖者。感谢 Kaggle 和主办方团队举办了这场有趣的比赛。我要感谢我的队友 @SisuoLYU 和 @haogood666！
数据集
通过数据集分析，可以发现本题的数据存在以下分类难点：
- 不同类别之间存在高度的类间视觉相似性，细粒度分类难度大。
- 不同日期和一天中不同时间的户外图片光照差异很大，且存在许多曝光过度的图像。
- 训练集和测试集来自种植在两个不同田地的高粱，存在域适应问题。
- 随着生长时间的推移，植物的状态和高度都在变化。
最终，我们的训练尺寸为：1024x1024。我们将 png 格式转换为 jpeg 格式，节省了存储空间。感谢 @Mithil Salunkhe 在 此处 提供的开源 jpeg 数据。
在此提到，我们对训练集和测试集都进行了图像直方图均衡化预处理，改善了曝光图像的问题。在此非常感谢 @Jun-Ming Chen 的开源 Notebook LB 0.885 Sorghum Higher Accuracy。我们参考了其中的许多想法和建议。
模型
基线： 初始调试是在 512x512 图像上训练的，使用 ResNet50 模型、CrossEntropyLoss、余弦重启学习率计划和 AdamW 优化器。
总结：
| 方法 | 分数提升 |
|---|---|
| 基线 (resnet50, 512x512) | 0.73 |
| 直方图均衡化 | +0.03 |
| Ibn-resnet50 | +0.05 |
| BNN-Neck | +0.005 |
| 最后 CNN 层步长改为 1 | +0.005 |
| Arcface (s=30, m=0.3) | +0.015 |
| Mixup | +0.01 |
| Cutmix | +0.005 |
| AWP 对抗训练 | +0.01 |
| 512x512 -> 1024x1024 | +0.04 |
| FGVC8 数据 | +0.03 |
| TTA (测试时增强) | +0.02 |
| 伪标签 | +0.01 |
| 总分 | ≈0.957 |
Ibn-resnet： IBN-Net 集成了 BN 和 IN，可以提高模型的学习能力和泛化能力。设计原则是：在网络浅层同时使用 IN 和 BN，在网络深层只使用