第44名解决方案

我在这里简要概述我的解决方案，主要是为了分享我在该比赛中使用的方法论：我使用代码块通过 git 跟踪不同实验的演变，结果发现这对于监控各种尝试过程中的演变非常有用。

由于我之前没有计算机视觉方面的经验，我是使用 @hengck23 分享的代码参加 HubMap 比赛的（借此机会感谢 @hengck23 在他的 Kaggle 之旅中分享的所有材料和知识）。

我的解决方案包含两个阶段的建模：

• 第一阶段：使用 256 x 256 的图块，分辨率降低 4 倍：该网络侧重于减少假阴性，使用覆盖整个 .tiff 图像的图片进行训练。
• 第二阶段：前一个网络的输出用于定位图像上潜在的肾小球。然后使用主要位于已知肾小球周围的图像训练第二个网络。训练图像的大小为 515 x 512，缩放因子为 2。

对于这两个网络，我都使用了带有 Efficientnet b0 主干的 Unet 模型。我快速检查了其他主干，但没有发现对结果有任何明显影响。很快发现，选择数据集来训练模型是模型性能的关键。

交叉验证方案 (CV scheme)

正如多次提到的那样，由于 d48 图像的存在，很难找到本地 CV（交叉验证）和 LB（排行榜）之间的相关性。在比赛过程中，我尝试了各种 CV 方案：

1. 对整个图块进行 Kfold。
2. 随机采样图像，每个图块随机抽取 20% 用作验证。
3. 保留每个图块的整个部分作为验证。

事后看来，后两个方案给出了很好的结果，分数与 Private LB（私有排行榜）非常吻合。在比赛期间，尚不清楚这些方案中的任何一个是否可靠，但我自我说服认为第 3 个方案应该是可靠的，并用它来选择模型的细节。

伪标签

在最后几天，我开始将测试图块纳入训练。对于这些图像，掩码是使用我目前拥有的最佳模型生成的。随后我“目视”检查了这样选择的肾小球和相应的掩码是否符合我的预期。

[待完善]