第一名解决方案 [MIT-Compliant]

感谢主办方举办了这场有趣的比赛！
祝贺大家，这是我第一次获得单人金牌。由于已经有很多优秀的公开 Notebook 发布了，我将保持我的解决方案简单简短。
特别感谢 @rwightman 提供的精彩代码库 (https://github.com/rwightman/efficientdet-pytorch)

摘要

• 自定义 Mosaic 数据增强
• MixUp
• 重度数据增强
• 数据清洗
• EfficientDet
• Faster RCNN FPN
• 多尺度模型融合：Weighted-Boxes-Fusion，特别感谢 @zfturbo
• 测试时增强 (HorizontalFlip, VerticalFlip, Rotate90)
• 伪标签

数据处理

• 自定义 Mosaic 增强：
  Mosaic 是一种数据增强方法，将 4 张训练图像组合成一张进行训练（而不是像 CutMix 那样组合 2 张）。我没有随机裁剪图像的一部分，而是创建了如下所示的自定义 mosaic 增强以保留边界信息：
  

• MixUp：
  

• 重度增强：
  RandomCrop, HorizontalFlip, VerticalFlip, ToGray, IAAAdditiveGaussianNoise, GaussNoise, MotionBlur, MedianBlur, Blur, CLAHE, Sharpen, Emboss, RandomBrightnessContrast, HueSaturationValue

  应用 mosaic, mixup 和增强后的示例：
  

• 外部数据
  我使用了 2 个外部数据源：
  * wheat spikes (链接)，关于许可证请参考 (详情)
  * wheat 2017 (链接) 相关讨论 (详情)。
  我为所有图像创建了标注（边界框）并裁剪为 1024x1024。我联系了作者以确保没有许可证问题。

• 数据清洗
  * 删除了微小的边界框（宽度或高度 < 10px）
  * 修复了过大的边界框

模型

• 5 折交叉验证，分层 K 折，按来源分割 (usask_1, arvalis_1, arvalis_2...)
• 优化器：EfficientDet 使用 Adam（初始学习率 5e-4），Faster RCNN FPN 使用 SGD（初始学习率 5e-3）
• 学习率调度器：余弦退火
• 使用 nvidia-apex 进行混合精度训练

性能表现

验证集