[第34名方案] Yolov5 单模型

祝贺所有的获胜者，特别感谢 Vingroup Big Data Institute 组织了这场非常有趣的比赛，我从中学到了很多。

在比赛开始时，我决定使用 Retinanet（参考这篇文章），但在将近两个月的时间里我无法提高我的分数。后来我注意到 @awsaf49 的 Yolov5 notebook 显示出了有希望的结果，于是我转而使用 Yolov5，mAP 有了显著提升（真希望我早点意识到这一点 :)），然后我就坚持使用它了。

我的方案是 5 折 Yolov5x 的集成（感谢 Glenn Jocher），并使用 2 类过滤器分类器来移除正常图像。

预处理

• 使用 WBF（加权框融合）融合框，IOU 设为 0.5。
• 基于边界框的位置/宽度/高度/宽高比/面积，通过数据可视化（条形图）移除（错误的）标注。
• 我注意到训练数据中 Calcification（钙化）类的边界框有时与 Aortic enlargement（主动脉扩大）重叠，但我的模型预测的框较小，所以我决定利用 Retinanet 模型的预测来修正它们。
• 5 折分层划分，使用此代码库：https://github.com/trent-b/iterative-stratification

检测

• YoloV5x (640x640) 的 5 折集成，使用代码库提供的权重进行初始化。
• 配置：大部分与 hyp.scatch.yaml 相同。但我更改了一些增强设置，如下所示：
  • Scale（缩放）: 0.6
  • Translate（平移）: 0.2
  • Degrees 和 Shear（旋转和剪切）: 0.1 (可能太小了)
  • Mosaic（马赛克增强）: 0.7
• 此外，受 ZFTurbo 的帖子启发，我添加了随机强度增强 [-10, 10]。

分类（2 类过滤器）

• 我之前一直专注于改进检测模型，而忘记了分类的重要性，后来我尝试训练自己的分类器模型，与 @awsaf49 的结果相比，私有数据上的分数提高了 0.001。

• 我在 4 折中训练了 EfficientNetB5 (noisy student)，并根据预测值与真实值之间的差异移除混淆图像：如果 (预测值 - 真实标签) > 0.95，则移除（预测错误但置信度过高）。
• 然后我使用清洗后的数据再次训练 EfficientB5，4 折集成在验证数据上的 AUC 分数如下：