第27名方案 (0.483LB)
大家好！这是非常漫长且充实的3个月。
首先，非常感谢主办方举办了这场极具挑战性和趣味性的比赛！
这是我在 Kaggle 上的第一场“真正”的比赛，所以我很高兴能获得一枚奖牌 :-)
我的解决方案由以下几个部分组成：
1) 细胞分割
我在 HPASegmentator 的预测结果上训练了 MaskRCNN。这样做的唯一原因是推理速度。MaskRCNN 的运行速度确实更快。一些实验表明，将 HPASegmentator 替换为 MaskRCNN 后，解决方案的分数保持不变。
2) 图像级分类器
- EfficientNetB3 (1024x1024)
- EfficientNetB3 (仅绿色通道) (1024x1024) (感谢 @h053473666 提供的这个想法)
3) 细胞级分类器
我使用了 PuzzleCAM 论文 中的方法来生成 CAM（类激活映射）。然后我利用它们为图像中的每个细胞生成伪标签（此时标签是平滑的 —— [0.0, 1.0] 范围内的浮点数）。
下一步是为每个类别手动设置阈值，并获得最终的伪标签用于模型的进一步训练。
- 带 Dropout 的 EfficientNetB3 (256x256)
- 带 Dropout 的 EfficientNetB3 (仅绿色通道) (256x256)
4) 最终提交
我结合了所有 4 个网络的预测结果，得到了每个细胞的最终预测。最好的结果是仅对 4 个模型的预测结果取平均值。
5) 训练细节
所有分类器都使用 focal_loss + lovazh_loss 进行训练（就像 @bestfitting 在上一场 HPA 比赛中的获胜方案那样）。
优化器：Adam
学习率调度器：ReduceOnPlatoue
我还对稀有类别使用了过采样，对过于常见的类别使用了欠采样。
这里是总结：
感谢阅读，祝未来的比赛好运！)