[第10名方案] 扩展版 Centernet

感谢 NFL 和 Kaggle 主办了这场有趣的比赛。祝贺所有人，特别是获奖者和金牌得主。

以下是我的方法。

1. 检测模型

我的检测模型源自 Centernet（MIT 许可证），并进行了一些修改。

• 我将基于图像的特征提取替换为基于视频的特征提取。获取视频特征对于检测撞击非常有用。
• 我在特征提取块的顶部堆叠了多个 Centernet 的检测头。每个检测头负责预测每一帧中的头盔。
• 我独立计算两个类别（有撞击的头盔和无撞击的头盔）之间的损失，然后使用这两个损失的加权和。
• 我为视频编写了自己的数据增强方法。
  
• 输入：我使用由 15 个连续帧组成的序列。我还使用了一种定制的采样方法，更多地关注有撞击的帧。我认为使用更长的序列可以进一步改善结果，但我的 GPU 不允许我这样做。
• 视频特征提取：我使用 EfficientB5（需要修改输入通道数）。我测试了 EfficientB3、EfficientB5 和 EfficientB6。我没有足够的时间和 GPU 来进一步探索。
• 检测头：这个检测头我只使用了 Centernet，因为我更熟悉它。

2. 后处理

• IOU-Tracker：我简单地使用 IOU-Tracker（MIT 许可证）来链接附近帧中检测到的撞击。对于每个跟踪的轨迹，我只保留中间的框并忽略其余的。
• 动态置信度阈值：由于撞击最有可能发生在第 30 帧到第 80 帧之间，我在此范围内使用较低的阈值。随着视频接近尾声，撞击次数减少，因此我慢慢提高视频结束时的置信度阈值。下面是我在整个视频中使用的阈值曲线：