第26名方案：简要总结
大家好，
这是一场非常有趣且充满挑战的比赛，祝贺所有的获奖者，也非常感谢组织者举办这次比赛！
简介
我们参加这次比赛的时间比较晚，这是我的第一次目标检测比赛，因此是一个很好的学习机会。与 @pheadrus、@theoviel 和 @onodera 组队对我来说是一次很棒的经历。
概览
我们的最终方案相当简单，尽管我们尝试了许多不同的方法但未获成功，而其他顶尖团队却成功实现了这些方法。在这份总结中，我们将更多地关注我们的方案与其他团队的不同之处，因为大部分内容都非常相似。
解决方案
4类分类 (4-class Classification)
我们的架构类似于 Heng 的想法，因为它在最后两层包含一个辅助分割头。为了增加多样性，我们训练了一堆模型（和图像尺寸），最终在集成中使用了以下模型，并应用了水平翻转 TTA：
- @pheadrus : v2m (512), b5 (512), b5 (640), v2m (768), v2m + pl (512)
- @theoviel : v2s (512), v2m (512)
Pheadrus 使用了比赛中大多数人使用的常规预处理方法。
Theo 的模型使用了一种不同的预处理技术（自动去除填充 & 在归一化之前裁剪到第1和第99百分位数），以及一个用于“阴性”类的辅助二分类头。
Theo 的预处理：窗宽窗位调整 & 去除填充
分类模型概览。Phaedrus 的模型不使用不透明度头。
2类分类 (2-class classification)
除了 Theo 的模型，我还训练了 b4、b5 和 b6 模型。它们对 CV（交叉验证）分数有一点帮助。
检测 (Detection)
@onodonera 构建了一堆 yolov5 (384) 模型，而 @phaedrus 使用了 yolov5 (768)。我们的两次提交中，一次使用了前者，另一次使用了后者，并做了一些其他修改。我们也许应该花更多时间训练更多样化的检测模型。
最终提交
我们得分 0.619 的提交使用了 @pheadrus 的模型进行检测，@theoviel 的模型用于两项分类任务，以及 @pheadrus 的模型用于研究目标。
我们的另一次提交——我们原以为会表现更好——也包括了我的二分类模型，并使用了 @onodera 的检测模型。
我们对分类模型使用了幂平均集成 (p=2)，并通过将检测模型的预测值乘以二分类模型预测值的 0.1 次方来校准预测。虽然这带来了 <0.001 的提升。
对我们无效的尝试
- 在 CovidX 数据上进行分类任务的预训练
- 对公开测试集进行伪标签用于分类
- 使用肺部检测模型进行预处理对某些模型有帮助，但对整体混合效果没有提升
- 针对“非典型”和“不确定”类别使用单独的分类器
- 我们从 BimCV、Ricord