第11名解决方案

首先，我要感谢主办方组织了这场非常有趣的比赛，并祝贺本次比赛的所有获胜者。同时感谢我们团队的所有成员 @quochungto、@morizin、@joven1997、@socom20，让我能够在这次比赛中获得第一枚金牌。

研究级别 (Study Level)

• 使用 SIIM COVID 数据集训练分类（4类：阴性、典型、不确定、非典型）+ 分割（边界框转掩码）任务。
• 使用 SIIM COVID 数据集 + 测试数据集 + RICORD 数据集 + BIMCV 数据集，并结合伪标签，训练分类（4类）+ 分割任务。（在处理 BIMCV 外部数据时，感谢 @quochungto 和 @joven1997 手动删除了噪声数据。）
• 数据增强：Resize（调整大小）、HorizontalFlip（水平翻转）、RandomBrightness（随机亮度）、RandomContrast（随机对比度）、OpticalDistortion（光学畸变）、GridDistortion（网格畸变）、HueSaturationValue（色调饱和度亮度）、ShiftScaleRotate（平移缩放旋转）、CutoutV2。
• 损失函数：
  分类损失 = BiTemperedLogisticLoss 链接。
  辅助损失 = 0.9 * BCE + 0.1 * Lovasz。
• 优化器：Adam，初始学习率为 0.0001。
• 学习率调度器：GradualWarmupSchedulerV2 链接。
• 测试时增强 (TTA)：原图 + 水平翻转。
• 最终提交模型：包含 4 个模型，具有不同的编码器、解码器和输入尺寸：
  Efficientnet_b5 512, Efficientnet_b7 512, Efficientnetv2_m 512, Swim-Transformer 384。
• 集成方法：更多细节请见 链接（感谢 @morizin 提供的大量思路）。

本次比赛中使用的研究级别部分源代码已上传至 GitHub：
https://github.com/ChenYingpeng/pl-siim-covid19-detection

• 无效尝试：
  像 RANZCR 比赛那样分割通道图像；
  使用更多的 TTA（如 scale=1.25, 垂直翻转等）；
  在研究级别训练 2 类（无和不透明度）；
  在图像级别训练 2 类（无和不透明度）（将整张图像视为“无”作为其边界框）。