第5名方案

感谢主办方和各位参赛者。
对我来说，这是一场非常有趣的比赛。

太长不看版 (TL;DR)

1. EfficientDetB3 5折交叉验证 -> 对10张测试图像进行伪标签
2. EfficientDetB5 全量训练(EMA) -> 多尺度训练预测(1280,768,1024+4Flip) 得分 0.766
3. EfficientDetB5 全量 + EfficientDetB4 全量 + EfficientDetB5 全量(含伪标签) 公开榜得分 0.7752

解决方案

第一阶段

使用 EfficientDetB3 对10张测试图像进行伪标签处理。
测试图像是“测试源”，我想从中获取测试源的知识。

第二阶段

在第二阶段，我使用了 EMA（指数移动平均）作为集成技术。

1. AdamW 100轮 (epoch) 图像大小 640 批次大小 4（用于 BN 参数调整）
2. AdamW 40轮 (epoch) 图像大小 1024 批次大小 1（BN 层冻结）

使用余弦退火。

数据增强：

• Mixup
• Mosaic
• Scale (缩放)
• Hue (色调)
• Random Brightness (随机亮度)
• Cutout
• GridMask

第三阶段

预测

EfficientDetB5 全量 + 多尺度预测(768, 1024, 1280 * 4Flip) -> 对所有测试集进行伪标签生成。

伪标签

训练参数如下：

• EfficientDet B5 图像尺寸 1024
• 轮数 5
• 使用 EMA
• 混合精度训练 (AMP)

模型集成

使用 WBF (加权框融合) 集成以下模型：
EfficientDetB5 全量 + EfficientDetB4 全量 + EfficientDetB5 全量(含伪标签)

为何成绩下滑？

1. 阈值调整失败。（在私有榜单中，较低的阈值效果更好）
   当设置阈值为 0.1 时，分数达到了 0.695。但我没能选中该方案。
2. 使用了更重的数据增强以提高鲁棒性。