第7名解决方案（含代码）

首先，感谢主办方组织这场有趣的比赛，并祝贺所有获奖者！

验证

我们使用了基于研究级别类别和边界框数量的分层方式进行 5 折迭代分层划分，代码库为 iterative-stratification。

研究级别

我们使用了 EfficientNet-b7、v2s、v2m 和 v2l，并在 3 个不同的块后添加了辅助分支。这些模型在 3 个折叠和不同的图像分辨率（512、640、768）上进行了训练，最终产生了 14 个分类器。

我们使用简单的平均法来集成这些模型。研究级别的 LB mAP 约为 41.5-41.6。

图像级别

我们使用 mmdetection 库训练了 DetectoRS50、UniverseNet50 和 UniverseNet101。DetectoRS50 和 UniverseNet50 在一个折叠上进行训练，而 UniverseNet101 在每个折叠上训练，并使用 UniverseNet50 模型为公共数据生成伪标签。

WBF（加权框融合）对我们不起作用，因此我们决定使用 Weighted-Boxes-Fusion 库中的 NMW 方法进行集成。

TTA（测试时增强）：对 DetectoRS 使用水平翻转，对所有 UniverseNet 模型在 [(640, 640), (800, 800)] 尺度上进行多尺度 TTA。

二分类器的训练方式与研究级别模型相同，使用了 3 折集成。

数据增强

我们的增强方法包括来自 albumentations 库（https://albumentations.ai/）的 HorizontalFlip（水平翻转）、RandomCrop（随机裁剪，用于研究级别）、ShiftScaleRotate（平移缩放旋转）、CLAHE（对比度受限的自适应直方图均衡化）、RandomGamma（随机伽马校正）和 Cutout。