Trust CV -- 第一名解决方案

感谢主办方，祝贺所有的获奖者以及我出色的队友 @nvnnghia 和 @steamedsheep。

这对我们来说确实非常意外。因为我们没有任何“新东西”，我们只是从头到尾一直在本地优化我们流程的交叉验证 F2 分数。

摘要

我们设计了一个两阶段的流程：目标检测 -> 分类重打分。随后是一个后处理方法。

验证策略：按 video_id 划分的 3 折交叉验证（3-fold cross validation）。

目标检测

• 使用了 6 个 YOLOv5 模型，其中 3 个在 3648 张图像上训练，另外 3 个在 1536 张图像补丁上训练（描述如下）。
• 图像补丁：我们将原始图像（1280x720）切割成多个补丁（512x320），移除靠近边界的框，然后只在包含刺冠海星的补丁上训练 YOLOv5。
• 基于默认值修改了一些 YOLO 超参数：box=0.2，iou_t=0.3。
• 数据增强：基于 YOLOv5 默认增强，我们添加了：旋转、mixup 和 albumentations.Transpose，然后移除了 HSV。
• 在通过交叉验证完成优化后，我们使用所有数据训练了最终模型。
• 所有模型在推理时使用的图像尺寸与训练时相同。
• 集成这 6 个 YOLOv5 模型使我们的 CV 达到了 0.716，此外最好的单个模型 CV 为 0.676。

分类重打分

• 将所有预测框（3折 OOF）裁剪为正方形，置信度 conf > 0.01。正方形的边长是预测框的 max(length, width)，然后向外扩展 20%。
• 我们将 IoU 计算为每个预测框与该图像真实框的 IoU 值中的最大值。
• 每个裁剪框的分类目标：iou>0.3, iou>0.4, iou>0.5, iou>0.6, iou>0.7, iou>0.8 和 iou>0.9。简而言之，IoU 被分为 7 个区间。例如：[1,1,1,0,0,0,0] 表示 IoU 在 0.5 到 0.6 之间。
• 在推理过程中，我们将 7 个区间的输出平均值作为分类分数。
• 然后我们使用 BCELoss 训练这些裁剪框，尺寸为 256x256 或 224x224。
• 非常高的 dropout_rate 或 drop_path_rate 对提高分类模型的性能有很大帮助。我们使用 dropout_rate=0.7 和 drop_path_rate=0.5。
• 数据增强：hflip, vflip, transpose, 45° 旋转和 cutout。
  最好的分类模型可以将 CV 提升到 0.727。
• 在集成了一些分类模型后，我们的 CV 达到了 0.73+。

后处理

最后，我们使用一个简单的后处理方法将 CV 进一步提升到 0.74+。

例如，模型在第 #N 帧预测了一些框 B，从 B 中选择具有高置信度的框，这些框被标记为“关注区域”。

在第 #N+1, #N+2, #N+3 帧中，对于 conf > 0.01 的预测框，如果它与“关注区域”的 IoU 大于 0，则提升这些框的分数：score += confidence * IOU。

我们也尝试了跟踪方法，它使 CV 增加了 +0.002。但是，它引入了两个额外的超参数。因此我们选择不使用它。

小故事

在比赛开始时，我们团队的三个成员分别使用了不同的 F2 算法，后来我们发现对于同一个 oof（样本外预测），我们计算出的分数并不一样。

例如，nvnn 分享了一个 OOF 文件，显示 F2=0.62，sheep 计算为 F2=0.66，而我计算的是 F2=0.68。

我们最终选择使用 nvnn 提供的分数最低的 F2 算法来评估我们所有的模型