第二名方案

感谢 Sartorius 和 Kaggle 举办了这场有趣的比赛。我还要感谢 @steamedsheep 在比赛期间出色的团队合作，我们俩都非常努力地工作才取得了这一成果。

我们的解决方案是 2 个目标检测模型、1 个 UNet 和 2 个 MaskRCNN 模型的集成，如下图所示。我负责目标检测和 UNet，而 @sheep 专注于 MaskRCNN 和集成。

我们使用 yolov5x6 和 effdetD3 进行目标检测任务。两个模型的训练过程如下下图所示。模型在 Livecell 和 train-semi-supervised 数据集上进行了多轮训练，然后使用比赛数据进行微调。在推理阶段，使用 WBF（加权框融合）将 2 个模型的输出框与 MaskRCNN 的框进行集成。

WBF 后的输出框被输入到 UNet 和 MaskRCNN（mask head）中，以获取每个框的分割掩码。我们使用加权平均来集成 UNet 和 MaskRCNN 的原始掩码。

我们使用带有 EfficientNet-b5 编码器的 UNet 对裁剪后的细胞进行分割。由于裁剪后的细胞有时包含邻近细胞，我们将中心细胞和邻近细胞的掩码预测作为 2 类分割任务处理。

从左到右依次为：裁剪的细胞图像；中心掩码的真实值；中心掩码的预测值；邻近细胞的真实值；邻近细胞的预测值。