[Viettel.DGD] Train4Ever 第7名解决方案

大家好，我是来自 Train4Ever 战队的 Truong Bui Nhat。首先，我要感谢主办方提供了如此有趣的实例分割挑战，同时也感谢所有其他参赛队伍，让这场比赛变得精彩纷呈。
特别感谢 @tungvs、@namgalielei、@damtrongtuyen、@duykhanh99。

这是我们在 Sartorius - 细胞实例分割比赛中的简要解决方案。
我们的解决方案包含紧密相连的5个阶段：

1. 训练基线模型
2. 添加 LiveCell Shsy5y 数据，清洗数据，重新训练并微调模型，使用基于 Mask 的 NMS
3. 使用潜力模型进行伪标签
4. 第二轮伪标签与模型集成
5. 后处理模型

第一阶段：训练基线模型

我们使用原始数据尝试了许多模型：

• MaskRCNN Cascade ResneSt200 (使用 LIVE CELL 预训练)
• PointRend
• GCNet
• CellPose
• MaskRCNN Swin
• MaskRCNN Cascade Swin
• SCNet
• Query Instance
• HTC
• CBNet V2

请注意，我们在主干网络 ResneSt200 和 FPN 中冻结了批归一化层，因为训练批次大小仅为 2。我们认为这有助于保持批次统计信息不变，从而稳定训练过程。

在本地验证集验证并提交到公共排行榜后，我们选择了以下候选模型进入第二阶段：

• MaskRCNN Cascade ResneSt200 (使用 LIVE CELL 预训练): 0.329
• PointRend: 0.317
• MaskRCNN SWin: 0.292
• MaskRCNN Swin: 0.291
• GCNet: 0.304
• CellPose: 0.314

（以上均为公共排行榜分数）

第二阶段：数据清洗与微调

我们添加了清洗后的数据，重新训练第一阶段的候选模型并进行微调：

添加 LiveCell Shsy5y 数据：
我们使用了 LiveCell 数据集中 Shsy5y 类型的训练集、验证集和测试集作为 Shsy5y 的额外训练数据。

我们的清洗方法：

1. 移除在训练集上 IOU 0.5 下高 FN（假阴性）的 LIVE CELL Shsy5y 图像（在训练模型并进行误差分析后进行）。
2. 移除具有重复标注的 cort 图像。
3. 健全性检查并移除我们感觉缺少标注的 cort 图像。

更多微调细节：

1. 图像大小从 800（短边）增加到 1024。
2. 解冻整个主干网络（Detectron2 的默认选项是在第二个块进行冻结）。

第二阶段后我们在公共排行榜上的最佳模型表现：
- MaskRCNN ResNeSt200: 0.336

第三阶段：伪标签

我们在半监督数据集上生成伪标签，并在新数据上重新训练。

首先，MaskRCNN ResNeSt200 和 PointRend 都预测了实例，然后使用一种简单的集成技术将它们的预测结合起来。该集成技术通过 Mask 匹配 IOU 来创建不同的簇，然后在每个簇内，使用像素投票来决定保留哪些像素，过滤哪些像素。

然后，MaskRCNN ResNeSt200、PointRend 和 MaskRCNN Swin 在这些新的伪标签数据 + 原始数据 + LiveCell Shys5y 数据上进行了训练。

在此阶段，MaskRCNN ResNeSt200 在 LB 上达到了 0.338。

第四阶段：第二轮伪标签与集成

我们使用来自第三