第6名解决方案

预处理

• 我标注了部分NIH数据，并训练了一个肺部定位器，以便更高效地利用GPU显存。缺点是肺部区域以外的疾病肯定会被遗漏。
• 我将每个图像-标注对视为独立的数据。因此，训练数据和验证数据都增加了两倍。

建模

与大多数人类似，我使用目标检测进行疾病定位，并使用二分类器预测“无发现”，以及去除健康图像上的假阳性边界框。

检测部分

我在阳性图像上训练了 EfficientDet-d5，并在包含健康图像的完整验证集上进行了验证。分数为5折交叉验证平均值：0.36，公共排行榜：0.191，私有排行榜：0.219。我使用了 WBF (https://github.com/ZFTurbo/Weighted-Boxes-Fusion) 进行集成。图像输入尺寸为 1152x1152。

二分类器训练

我添加了一个额外的多标签头，这带来了稍好的性能。通过 EfficientNet-b7 和 ResNet200d 的混合，交叉验证 AUC 约为 0.994。图像输入尺寸为 640x640。

模型融合

为了融合检测和分类模型，我首先将每个边界框的置信度分数乘以 Prob(unhealthy)^0.2，然后将 [14, Prob(healthy), 0, 0, 1, 1] 添加到所有预测中。加入分类器后，交叉验证分数提高到 0.47，公共排行榜提高到 0.266，私有排行榜提高到 0.297。

无效尝试

• 使用默认参数的 Yolov5 表现比 EfficientDet 差得多。由于时间限制，我轻易放弃了 Yolov5。我本应该在上面花更多时间的。
• 我在大多数外部数据上尝试了不同类型的伪标签，但没有任何效果。