HPA 第36名解决方案

首先，我们要感谢主办方举办了这场非常有趣的比赛，同时也祝贺所有的获奖者。

概述

以下是我们遇到的问题及相应的解决方案。

问题
① 弱监督学习问题
② 细胞核突出图像边界的问题
③ 标签数量不平衡的问题

解决方案
针对③标签数量不平衡的问题，我们通过使用外部数据进行了增强（进行了下采样，使每个标签大约有10,000个样本）。这使得LB分数提高了+0.01。在过去的比赛中，当标签数量不平衡时，使用Focal Loss是一个很好的学习范例，但这次并没有奏效。

针对①弱监督学习的措施，我们利用了像素值的差异。如果图像中存在不同标签的细胞，我们假设染色强度是不同的，当裁剪成单个细胞时，图像中的平均像素值会有所不同。因此，我们通过使用一个去除了20%平均值的数据集作为图像平均值的阈值，从而提高了模型的准确性。此外，通过设定阈值，我们能够消除一定数量的②中提到的细胞核突出图像边界的问题。（遗憾的是，由于时间不够，我们无法比较不同的阈值。）结果，LB分数提高了+0.03~0.04。

模型

模型分为两类：单细胞模型和图像级模型。

单细胞模型

• 模型：ResNet50 + EfficientNet B4
• 图像尺寸：128x128
• 损失函数：BCEWithLogitsLoss
• 数据增强：翻转, TTA (n=3)
• 数据集：
  • 训练集：179.2k
  • 验证集：44.7k

图像级模型

• 模型：SEResNeXt50 32×4d + EfficientNet B7
• 图像尺寸：640x640
• 损失函数：
  • BCEWithLogitsLoss (EfficientNet B7)
  • FocalLoss (SEResNeXt50 32×4d)
• 数据增强：水平翻转 (p=0.5)
• 数据集：仅使用绿色通道
  • 训练集：17.4k
  • 验证集：4.4k

这就是我能够获得银牌的方式。
凭借这枚奖牌，我成功晋升为 Kaggle Master！！
非常高兴！

在加入 Kaggle 的一年前，我完全不懂 Python 和机器学习，但我感觉到通过以奖牌为目标，我逐渐能够做到以前做不到的事情。此外，我认为通过经历许多起伏和磨练，我在精神上也得到了很多锻炼 XD

对我来说，Kaggle 是最好的数据科学学习平台。
感谢 Kaggle 和所有的 Kaggler。

我将继续迎接挑战。