第一名解决方案

软标签

• 训练 5 折 EfficientNetV2。
• 标签==1 且 预测分数 < 0.7 ==> 软标签=0.3（用于训练折）。

多标签增强

Cutmix

与标准的 cutmix 不同，我没有使用：

loss = lam * loss(outputs, labels) + (1-lam) * loss(outputs, mix_labels)

因为我认为 'healthy'（健康）+ 'scab'（疮痂）== 'scab'。

例如：'scab' + 'frog_eye_leaf_spot'（蛙眼叶斑病） ==> 'scab frog_eye_leaf_spot'（疮痂 蛙眼叶斑病）（还有其他不同的组合）。

Mosaic

例如：'scab' + 'scab' + 'scab frog_eye_leaf_spot' + 'complex'（复杂） ==> 'scab frog_eye_leaf_spot complex'（疮痂 蛙眼叶斑病 复杂）（还有其他不同的组合）。

数据增强

裁剪、水平翻转、垂直翻转、亮度、对比度、ShiftScaleRotate、光学畸变、网格畸变、IAAPiecewiseAffine、Cutout、CoarseDropout。

其他细节

• 模型融合：ResNet50-5folds + ResNeXt50_32x4d-5folds。
• TTA（测试时增强）：翻转，中心裁剪。
• 类别平衡（最后三个 epoch）。
• 标签平滑。
• 图像尺寸：384x576。
• 预热。
• 余弦退火学习率。
• 优化器：AdamW。

未完成的 LeafGAN

由于时间和计算资源的限制，我没有完成它，但我认为这是处理多标签问题的最佳方式。

我们可以训练 LeafGAN 生成 healthy->disease_A（健康->疾病A） 和 healthy->disease_B（健康->疾病B），然后我们可以通过 mixup('disease_A', 'disease_B') 获得多标签（'disease_A disease_B'）。

GitHub 地址: https://github.com/IyatomiLab/LeafGAN