16次提交获得第17名 :)

感谢比赛主办方和Kaggle举办这次比赛！祝贺所有获奖者！

[方案概览]

1. 验证集划分：

• 使用患者ID（patient id）划分训练集和验证集，处理训练和标注CSV文件，为后续步骤创建交叉验证（CV）折数。

2. 利用部分标注图像：

• 我训练了一个 EfficientNet-b4 分割模型，在像素级别预测4种导管+背景的位置：ETT（气管插管）、NGT（鼻胃管）、CVC（中心静脉导管）和 Swan Ganz 导管。

3. 训练多样化的分类模型

• 模型选择：resnet200d, seresnet200d, efficient b5。
• 将步骤2的袋外预测作为额外的5个通道，与原始图像合并为6通道输入 (+0.005 cv)。
• 使用来自 @ttahara 的多头方法 (+0.002 cv)。
• 使用来自 @ammarali32 的预训练优秀权重 (+0.005 cv)。
• 图像尺寸设为 640。

4. 简单平均

[基础模型表现 (cv/public lb/private lb)]

• resnet200d-640（含导管预测，重度增强）：0.96386 / 0.969 / 0.970
• seresnet152d-640（含导管预测，重度增强）：0.96158 / 0.967 / 0.969
• efficientnetb5-640（含导管预测，重度增强）：0.96136 / 0.964 / 0.968
• resnet200d-640（不含导管预测，轻度增强）：0.9614 / 0.959 / 0.967
• 上述4个模型的融合结果：0.968 / 0.971 / 0.973

[无效尝试]

• 在分割模型中预测11个标签+背景，并将其作为多通道输入添加到步骤3中（效果不佳）。