第3名解决方案概述

代码已在此处公开：https://github.com/Masdevallia/3rd-place-kaggle-siim-isic-melanoma-classification

大家好！

嗯……我有些说不出话来。我是 Kaggle 的新手，完全没预料到能取得这么好的成绩，这结果让我大吃一惊。

首先，我要深深感谢整个 Kaggle 社区。感谢大家慷慨分享的知识和见解，让我在整个比赛过程中学到了很多东西。也要感谢组织者和 Kaggle 举办这次比赛。

我现在正在度假，网络连接有限，但我会尽快分享我的解决方案。

简单总结一下，我的主要提交结果是由 8 个不同模型的集成组成的，这些模型使用了不同组合的图像尺寸（256, 384, 512, 768）构建。非常感谢 @vbhargav875，他的笔记本 "EfficientNet-B5_B6_B7 TF-Keras" 是一个非常棒的起点。我使用交叉验证（CV）进行了一些实验，但我的最终模型是使用所有可用数据（无验证集）获得的。我使用了 2017-2018-2019 + 2020 的 TFrecords（非常感谢 @cdeotte），毛发增强（感谢 @nroman 和 @graf10a），大量的测试时增强（TTA），EfficientNet-B6 模型和元数据（感谢 @titericz）。该方案的得分是：Private LB 0.9481，Public LB 0.9596。

然而，我想尝试集成一些公开的笔记本，以增加一些多样性。我决定使用这两个精彩的笔记本，它们引入了一些我没时间测试的有趣技术：

• https://www.kaggle.com/rajnishe/rc-fork-siim-isic-melanoma-384x384（感谢 @rajnishe）。
• https://www.kaggle.com/ajaykumar7778/efficientnet-cv（感谢 @ajaykumar7778）。

该方案的得分是：Private LB 0.9484，Public LB 0.9620。

祝贺所有的参赛者！我知道我还有很长的路要走，但我期待着与这个不可思议的社区一起继续成长。