第16名解决方案
非常感谢组织者、参赛者以及我的队友 @ryunosukeishizaki 和 @rinnqd 参与这次比赛。
我们可以将我们的解决方案命名为“从公榜无名到私榜英雄”。在公榜上，我们甚至可能只能拿到铜牌，但在私榜上我们进入了前20名。这并不是一次幸运的提交，因为我们有很多成功的提交点，这些成功点是真实的。
去除噪声（标记、重复项），基于 Zac Dannelly 的讨论 和 Leonie 的帖子，以及我自己的人工清理。
在不同的切片尺寸上训练 efficientnet-b0, b2, b4 和 mixnet-xl：36x256x256 (level 1) => 49x256x256 (level 1) => 64x256x256 (level 1)，分别尝试了无正则化和高正则化（dropout 0.4）的情况。
结合清洗后的数据集训练和原始数据。
基于本地 CV 权重 进行融合 blending，公式为 w = w / np.sum(w)。
5. 相信你的本地 CV（交叉验证） 并训练稳定的模型！