第34名方案：EffnetV2 + yolov5

我在这次比赛中学到最多的是如何对抗过拟合。

模型：

Efficientnetv2m + yolom tta LB 6.27 PB 6.13
Efficientnetv2m + yolox tta LB 6.29 PB 6.15

最终提交的集成方案

我使用了 efficientnetv2m + efficientnetb3 + yolom + yolox 以增加多样性，但 LB 仍为 6.29，PB 为 6.15。

代码：

• 分类模型：https://www.kaggle.com/drzhuzhe/covid19-classify/
• 检测模型：https://www.kaggle.com/drzhuzhe/covid19-det
• 集成模型 (Version 17)：https://www.kaggle.com/drzhuzhe/v2-covid-submit

总结：

问题定义与分析

1. 在六月最后一周，我浏览了比赛的讨论区，我认为本次比赛的关键在于利用多任务数据以获得更好的性能。

2. 因此，我给自己设定的目标是定制模块，利用目标检测框中的信息来辅助分类，反之亦然。

遇到的障碍

1. 我很快复现了 Hengck 的代码，但令人沮丧的是，无论我对代码做一点什么改动，结果都会变得很差。我尝试将 AUX head 附加到不同的 block，尝试多输出、梯度累积，但由于我犯了缺乏数据增强的错误，导致整个七月我几乎寸步难行。

2. 这主要是因为起初我以为自己在使用 TIMM 库时犯了错。所以我仔细阅读了 TIMM 中 EfficientnetV2 的实现，并将其与原始实现进行了对比，我还重温了 NAS（神经网络搜索）的概念和思想，这真的受益匪浅。

3. 在七月底，我终于克服了这个问题，其实只是通过仔细微调了一下数据增强。

解决方案与展望

1. 我的解决方案详情已提交在代码中。

2. 分类任务中的数据增强以及 Yolox 的超参数远未调整到最佳状态。

3. 标签平滑和 Mixup 还没来得及添加，也许下次比赛我会充分尝试一下。

4. 下次我会尝试更多的无监督方法和不同的 Block 架构。

致谢

1. 当我遇到瓶颈时，我搜索了许多资源并在讨论区发了两个帖子，非常感谢每一条回复和建议。

2. 同时也想感谢所有提供建议和为开源做出贡献的人，没有这些我很难学到任何东西。