第37名解决方案 - T0m部分 [分割复制粘贴 & 渐进式学习]

感谢主办方提供了一场有趣的比赛，并祝贺所有获奖者。这是我第一次参加检测类比赛，这是一次很棒的体验。

我想分享我工作中的关键点。

分割复制粘贴增强 (Segment Copy-Paste Augmentation)

我们认为让模型学习检测小海星非常重要。所以我们尝试通过粘贴小海星来增强数据。然而，我们认为简单的复制粘贴会导致图像不自然以及背景过拟合。因此，我们（@aerdem4）首先训练了一个分割模型，创建了分割掩码，然后使用它们应用复制粘贴增强。

照原样的话，风格会有所不同，我们通过移动RGB值以匹配均值来转换风格。

例如：
segment[:, :, 0] = segment[:, :, 0] - (segment[:, :, 0].mean() - background[:, :, 0].mean())

渐进式学习

为了创建一个对噪声和尺寸具有鲁棒性的模型，随着训练轮次的推进，图像尺寸变得更大，增强变得更强（渐进式学习）。

模型

我使用了TTA（测试时增强）和Tracking（跟踪）。

训练集：video-0, 1
验证集：video-2 (CV: 0.71~0.73)

集成

使用WBF（加权框融合）进行集成。并且，针对每个检测到的边界框大小加权置信度。

例如：
if (bbox from model_1 and bbox_area < 1000):
    conf *= 3
elif (bbox from model_1 and bbox_area < 4000):
    conf *= 0.5
...
然后进行WBF

CV: 0.77~0.78

谢谢 :)