第9名方案：预训练 & 半监督 & 后处理 & 信任CV与LB

感谢我所有的队友 @xiuqi0 @guohey @kevin1742064161 @gmhost！我们做到了！我们是大师！

在这里，我代表我的队友介绍我们的策略，其中大部分是他们的努力成果。

训练

1. 预训练： 我们将 LIVECell 视为 1 个类别。在我们的实验中，1 个类别的效果优于 8 个类别。在比赛初期，预训练一个 R50 模型可以将成绩提升至金牌区。

2. 半监督训练： 预训练后，我们有两个模型在 LB（Leaderboard）上得分为 0.332。使用 NMS 后达到了 0.334。我们使用该流程为提供的半监督训练数据生成了伪标签。在使用 resnext152 作为主干网络训练 cascade rcnn 后，我们达到了 0.338。

提交流程

预处理

先分类。 我们的提交流程在本地验证集的某些图像中预测出了 2 个类别的实例（而在 ground truth 中，一张图像只有一种类型的细胞）。因此，我们在分割之前应用了 5 折 resnet34 进行分类。

后处理

我们在 0.338 的分数上停滞了大约 20 天。很奇怪的是，无论我们如何将其他模型与 0.338 的模型集成，得分都会变差。在应用了大量后处理之后，我们终于在 LB 上勉强突破了 0.338。

1. 处理破损掩码： 正如在训练和测试的标签中那样，astro 细胞有大量的破损掩码。因此，模型训练的结果也很容易预测出破损的掩码（掩码有轮廓，但轮廓中间有一部分时空缺失）。当我们使用分类模型判断图像是 astro 还是 Shsy5y 时，我们使用 cv2.findContours。破损掩码是根据外轮廓通过 cv2.fillconvexpoly() 生成的。

2. NMS 和 NMW 对我们有效，Soft-NMS 和 WBF 无效。 NMW 比 NMS 稍好一点。

3. 掩码权重：

   • 如果一个框与所有其他框的最大 IOU 超过某个阈值，则对其掩码进行加权；如果掩码的加权值大于另一个阈值，则将相应的像素设置为 1。
   • 与 NMW 相比，掩码加权的动机是一些掩码信息利用得太少（虽然 NMW 没有直接丢弃而是加权，但那些被集成框的信息肯定被削弱了）。掩码加权使得高重叠的 bboxes 在 NMW 之前合并，从而减少了信息丢失。但是，将此阈值设置得太低可能会导致信息冗余。这个参数是我们需要通过本地验证数据集调整的另一个参数。

4. 丢弃错误分类的类别。 一张图中通常只有一种细胞，我们预先使用了分类网络进行分类。我们直接丢弃了错误分类的实例。

5. 我们修改了 NMW 的源代码，原始代码返回了一些重复的 Bbox 和掩码。我们额外返回了一个索引来进行切片以进行加权。

6. 加权 NMW， 辅助模型的分数乘以一个小于 1 的系数。

7. 按类别加权 NMW（因为类别之间没有影响）。由于我们先使用分类模型，我们可以获得每张图像的类别。然后我们使用网格搜索来获得第 7 点提到的每个类别的权重。

在我们的最终提交中，我们选择了 LB 最高分的一个，以及另一个模型更多、LB 尚可且 CV 表现良好的模型。