第三名方案总结

我们要感谢比赛主办方和 Kaggle 组织了这次比赛，并祝贺所有获胜者，以及所有从比赛中受益的人。特别感谢我的队友 @erniechiew, @css919, @zehuigong 和 @stephkua。

方案组成：

1. 检测模型
2. 针对主动脉增大的专用检测器
3. 基于多标签分类器的后处理

1. 检测模型

边界框标注的预处理

我相信大多数参赛者都使用了 WBF（加权框融合）来合并原始框，就像这个 notebook 中那样。我应用了相同的思路，即如果框的 IOU 高于某个阈值（例如 0.2），则对它们的坐标进行平均。然后将这些预处理后的框作为我在本次比赛中的标注。

我们的 YOLO-V4 检测器

• 优化器： SGD, BS = 32, LR=0.001, CosineAnnealing。
• 图像尺寸： P6 版本为 1280，P7 版本为 1536。
• 数据增强：
  • (1) 随机翻转 (p=0.5)
  • (2) 随机缩放 (0.2-1.8)
  • (3) Mosaic
  • (4) Mixup(p=0.2)
  • (5) 随机平移 (0.5)

1.1 基于单个放射科医生标注框的训练 (LB 0.274)

我们注意到训练集和测试集之间标注的处理方法不同（参见这个 讨论）。因此，我们分析了每位放射科医生标注的图像数量，发现 8、9 和 10 号医生标注了大部分边界框。因此，我们分别为 8、9 和 10 号医生训练了三个检测器。单独检测器的得分如下（CV/LB/Private）：

• Rad 8: 0.498 / 0.252 / 0.233
• Rad 9: 0.376 / 0.213 / 0.234
• Rad 10: 0.384 / 0.228 / 0.226

然后我想，为什么不试着把它们合并呢？合并后，我在 LB 上得到了 0.274 分，Private 得分为 0.248。

1.2 达到 LB 0.280

然后，我尝试在所有放射科医生的数据上训练检测器。这部分使用了 YOLO-V4 P6 和 P7 版本。（LB/Private）：

• P6: 0.278 / 0.261
• P7: 0.264 / 0.263

在得到这些模型后，我将它们与第一步的提交结果合并，我们在 Public Leaderboard 上达到了 0.280，在 Private 上达到了 0.272。

无效的尝试：

• (1) Albu 数据增强，例如 CLAHE, RandomBrightness
• (2) 类别感知采样
• (3) 对 P6 使用更大的图像尺寸 1536 进行训练
• (4) Focal loss + BCE
• (5) 在 RSNA 数据集上预训练并在本次比赛的训练集上微调
• (6) 在测试集上进行伪标签
• (7) 仅针对 ILD 类别训练专用检测器

我们未详细尝试的方法：

• (1) 对 RSNA 或其他数据集进行伪标签，记为 PseData，并在 PseData + TrainSet 上训练，这将 CV 从 0.498 提高到 0.55+，但没有提高 LB，然而它确实提高了 Private 得分（0.250 vs. 0.255）。
• (2) 从异常图像中裁剪框并将其粘贴到正常图像上，对不同类别使用不同的采样比例。

2. 针对主动脉增大的专用检测器

正如比赛期间的讨论论坛