感谢 Kaggle 举办这场精彩的比赛，我确实从中学到了很多。也感谢各位 Kagglers 提出的精彩想法。这是我在 Kaggle 旅程中获得的最高排名，所以我决定把这段经历记录下来。
摘要
我的最终方案仅使用了 CAM（类激活图），因为其他技巧对我来说效果不佳。所以，这是一个简单的端到端（e2e）解决方案，而不是复杂的流程。令我惊讶的是，仅使用 CAM 的流程竟然能让我获得银牌。
我在 CAM 层使用了知识蒸馏，因为我认为这有助于模型生成更平滑的 CAM，事实证明确实如此。
我将模型的下采样尺寸更改为 16 (2**4)，因此对于 512 x 512 的输入，我会得到一个 32 x 32 的 CAM。并且我使用了 3 层输出来同时获取 3 个 CAM。
对我来说唯一有效的骨干网络是 ResNest 及其所有变体（感谢张航）。
训练
下图描述了整个训练流程：
CAM 提取器
DRS 和 Dropout 层可以迫使模型关注整张图像，而不是只关注一两个细胞。DRS 可以在这里找到：https://github.com/qjadud1994/DRS
训练细节
- 输入尺寸：512
- 优化器：Adam
- 损失函数：BCE
- 交叉验证：1 折，然后在整个数据集上进行微调（5 折对我来说太耗时了）
- 数据增强：翻转、随机对比度
- 模型：ResNest 及其所有变体
推理
我最终使用了 5 个模型（均来自 timm）进行集成，所有模型的输入均为 512 x 512。
- resnest50d_1s4x24d with DRS
- resnest101e
- resnest50d_1s4x24d
- resnest50d_4s2x40d with DRS
- resnest50d with DRS
TTA（测试时增强）：垂直和水平翻转，对于每张空间变换后的图像，对比度也会改变，对比度变化值设为 0.64, 0.88, 1.12, 1.36。
细胞分割：主办方提供的原始分割器。
细胞评分：将细胞区域内的 CAM 像素值求和，然后除以该细胞内的非零像素数量。
感谢阅读。