Private 第19名方案 - Rabbit 部分

首先，祝贺所有的获奖者，非常感谢主办方举办了如此有趣的比赛。也非常感谢我的队友 @ryunosukeishizaki 和 @rinnqd !!

我是日本的一名麻醉科医生。COVID-19 患者到处都在增加，面对着大量的胸部 X 光片。通过机器学习对 COVID-19 肺炎进行分类和检测是非常有趣且有意义的，这也是我参加这项任务的动力。

在这里我将分享我的那部分解决方案。

我所做的工作主要包含 3 个部分：2 种基线分类建模 & 不透明度检测建模 & 后处理。

所有的实验和提交都是使用 512x512 的图像完成的。我根据讨论（链接）选择了用于训练的图像，每个 study_id 选取 1 个 image_id（如果一个 study_id 有多张图像，则只使用带有 bbox 的图像）。

交叉验证：多标签分层 kfold。

分类

毫无疑问，带有辅助损失的模型比没有的要好。我的基线模型是 2 种类型的 EfficientNets 分类器，共有 5 个类别（Negative, Typical, Indeterminate, Atypical, 和 None）。

・类型 1

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        ###blocks###
        self.logit = nn.Linear(n_features, 5)
        self.mask = ...
    def forward(self, x):
        ###blocks###
        mask = self.mask(x)
        logit = self.logit(x)
        return logit, mask

・类型 2

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        ###blocks###
        self.logit1 = nn.Linear(n_features, 4)
        self.logit2 = nn.Sequential(
            nn.Softmax(),
            nn.Linear(4, 4),
            nn.ReLU(),
            nn.Linear(4, 1))
        self.mask = ...
    def forward(self, x):
        ###blocks###
        logit1 = self.logit1(x)
        logit2 = self.logit2(logit1)
        return logit1, logit2, mask

我制作了自定义损失函数：
CCE * 0.8 (4 类损失) + BCE * 0.1 (1 类损失) + BCE * 0.1 (分割损失)

数据增强：水平翻转、平移缩放旋转、随机亮度、Cutout。

团队合并后，他们使用预训练方法改进了我的基线模型！@ryunosukeishizaki 还尝试了各种类型的 EfficientNet，这对于集成是必要的。谢谢。
最终提交包含 4x efnetb3 和 3x efnetv2l。

最终集成 CV: 0.521 / 0.833 (5 折 7 个模型集成)
Public: ???

检测

因为这是我第一次接触目标检测比赛，我在这上面花了很多时间。最终准备了 5 折 4 个模型：YOLOv5x, EfficientDetD3, EfficientDetD4, EfficientDetD5。
在使用肺炎检测数据集（RSNA Pneumonia Detection Challenge）对所有模型进行预训练后，每个模型的训练都是使用我上面选取的训练数据完成的。
YOLO 数据增强：角度、平移、缩放、左右翻转。
EfficientDet 数据增强：水平翻转、随机亮度、Cutout。

每个模型的 CV 如下（5 折平均值）：
YOLOv5x: 0.5428 / 1.0 (0.0904 / 0.1666)
EfdetD3: 0.5526 / 1.0 (0.0921 / 0.1666)
EfdetD4: 0.5436 / 1.0 (0.0906 / 0.166