第一名解决方案

感谢 Kaggle 和主办方提供了这个非常有趣的比赛以及极具挑战性的数据集。这是一个伟大的合作成果。请为 @fatihozturk @socom20 @avsanjay 点赞。祝贺获胜者们。

太长不看版 (TLDR)

@fatihozturk 在他的帖子中解释了他参加这次比赛的经历，本帖旨在概述我们最终解决方案的全貌，该方案在 PublicLB/PrivateLB 上取得了 0.354/0.314 的成绩。值得一提的是，我们还有一个更好的方案，成绩为 0.330/0.321 PublicLB/PrivateLB（不幸的是我们没有选择它）。正如大家所知，我们在这次比赛中使用的主要“魔法”是我们的集成过程，此外还有许多其他重要发现，我们将在本文中提及。

CV 策略：这是我们的主要挑战，我们没有统一的验证方案。由于我们是以不同的队伍开始比赛的，我们都使用不同的 CV 划分来训练模型并构建各自的最佳集成。为了克服这个困难，我们最终使用 Public LB 作为额外的验证数据集。我们觉得这个策略有点冒险，所以我们也使用共同的验证划分重新训练了一些最佳模型，然后将它们集成（后一种方法本身在 Private LB 上并没有获得最佳分数）。我们认为，使用 Public LB 作为验证来源的最后一次集成，帮助我们的最终方案更好地适应了用于构建测试数据集的共识方法。

我们的验证策略

我们最终提交的策略可分为 3 个阶段：

• 完全验证阶段
• 部分验证阶段
• 未验证阶段（仅使用 Public LB 验证）

我们用于集成的模型

• 完全验证阶段：

  • Detectron2 Resnet101（notebook 作者 @corochann，感谢）
  • YoloV5
  • EffDetD2

• 部分验证阶段：

  • YoloV5 5折交叉验证

• 未验证阶段：

  • 2 个 EffdetD2 模型
  • 3 个 YoloV5（1个使用 TTA，2个不使用 TTA）
  • 16 类 Yolo 模型
  • @awsaf49 的 5 折 YoloV5
  • New Anchor Yolo
  • Detectron2 Resnet50（notebook 作者 @corochann，感谢）
  • YoloV5 @nxhong93 (链接)
  • 图像大小为 640 的 Yolov5

集成策略

为了集成所有部分模型，我们主要使用了 @zfturbo 的集成仓库 Weighted-Boxes-Fusion。我们的集成技术如下图所示：

正如你在未验证阶段结束时所见，我们使用了 WBF+p_sum。最后这种混合方法是 @socom20 提出的 WBF 的一种变体，旨在模拟这个特定测试数据集中使用的放射科医生共识。通过使用 WBF+p_sum，我们在 PublicLB 上的未验证阶段分数从 0.319 提高到了 0.331。

改进的 WBF： 它比 WBF 具有更大的灵活性，它有 4 种 bbox 混合技术，我们发现其中只有 2 种在这次比赛中有用：</