第28名方案及推理代码

祝贺所有的获胜者，也感谢主办方举办了如此成功的比赛，希望这能在未来造福医疗专业人员的工作。对于那些因榜单震动而感到遗憾的朋友们，我相信你们很快就会在另一个排行榜的顶端再次相见 :)

交叉验证（CV）策略

我很早就意识到 d488c759a 这个样本导致公共排行榜与CV不一致，所以我通常忽略公共LB，只是宽松地将其视为第6个折。为了防止训练期间图像之间的泄漏，我的其他5个折简单地设置如下：

folds = [
    ["aaa6a05cc", "26dc41664", "b9a3865fc"],
    ["2f6ecfcdf", "c68fe75ea", "e79de561c"],
    ["1e2425f28", "b2dc8411c", "afa5e8098"],
    ["0486052bb", "cb2d976f4", "54f2eec69"],
    ["4ef6695ce", "8242609fa", "095bf7a1f"],
]

虽然我在训练期间确实跟踪了每个图块的Dice系数，但我通过计算全分辨率袋外预测的Dice系数来确定最终的CV分数（正如提交notebook中所做的那样）。

预处理

我使用的图块大小为2048，在输入模型之前被调整为1024。重叠度为32（尽管我认为这没有太大区别）。

我还利用JSON文件创建了一个定义掩膜边缘的多边形（因为在这个任务中，正确处理边缘很重要）。这允许我将其视为一个双通道分割问题，尽管我在预测时只使用其中一个通道。

数据增强

trfm = A.Compose(
    [
        A.Resize(img_size_model, img_size_model),
        A.Flip(),
        A.RandomRotate90(),
        A.ColorJitter(p=1),
        A.OneOf(
            [
                A.ElasticTransform(),
                A.GridDistortion(),
                A.Blur(blur_limit=(3, 5)),
            ],
            p=0.5,
        ),
        A.ShiftScaleRotate(),
        A.Normalize(),
        ToTensorV2(),
    ]
)

模型

使用ResNet34d和ResNet50d作为骨干网络的UNet。就是这样！更深的架构似乎没有带来太多收益。

• 损失函数 = 0.9 Focal Loss + 0.1 Lovasz
• MixUp，alpha=0.25
• 没有使用CutMix。当我观察使用CutOut增强时的预测结果，肾小球与非肾小球区域之间的切割边界会导致一些掩膜溢出，这让我对使用CutMix感到不安。CV变化也在噪声范围内。
• 随机权重平均
• AdamW(lr=0.0001)

提交/后处理

对于预测，我使用了256的重叠度。这意味着在某些图像的角落，你可能会得到4个需要相应加权的预测。我通过创建一个权重矩阵并将完整预测除以此矩阵来做到这一点。Notebook中的RAM太小，无法在内存中同时保存预测数组和权重数组，所以我在GPU上进行了此操作。掩膜阈值为0.5。对于TTA（测试时增强），我只使用了翻转变换。

0.7:0.3 加权 = 0.947

我确实有一些使用提供的测试图像进行伪标记的模型，分数达到了0.948，但CV没有那么好，所以考虑到在这次比赛中信任CV的重要性，我没有选择那些模型。