第49名方案 - 银牌解决方案

首先，我要感谢 Kaggle 提供了这个超级棒的平台和社区。我关于数据科学（DS）的所有知识都是在 Kaggle 上学到的。其次，感谢比赛组织者提供了如此有趣的任务，这帮助我从悲伤的思绪中解脱出来。

数据集

比赛的关键点在于数据集。我使用了由 JAN BRE 提供的 Baskfins 和 Fullbody 数据集。

原本有想法使用中间数据集，但我没时间了。

我也尝试过使用去除了水体的数据集，但结果差了很多。不过我还是把它加入到了集成模型中。

模型

我尝试了 EfficientNet 模型，其中 Effnet 7 的效果最好。

使用了 ArcFace Loss。

图像分辨率为 768。我尝试过 1024，但模型无法收敛。

我也尝试了 ConvNext，结果稍差，但也加入了集成模型中。

训练了 30-50 个 epoch，包含 5 个 epoch 的预热，之后使用余弦退火衰减。

完全没有出现过拟合。训练轮数越多，结果越好。

交叉验证与集成

我连接了来自 9 个模型的嵌入向量，并计算了训练集和测试集图像之间的余弦距离。

由于数据量很大，而 TPU 上的时间非常有限，我只在 1 个折上进行了交叉验证。

在不考虑 new_individual 的情况下，CV 分数为 0.72；在阈值为 0.6 的情况下，CV 分数为 0.86。

然后我在 100% 的训练数据上训练了所有模型，并使用 0.65 作为阈值，因为测试集中 new_individual 较少。

感谢阅读！