我对于第三名解决方案的贡献

这是我们最终解决方案的描述。虽然 @golubev 对最终结果的贡献肯定比我大，但即使是我单独的解决方案也至少能达到银牌高分段，所以我将所有源代码分享给大家。

代码和更详细的方法描述可以在这里找到：GitHub 仓库。

以下是我方法的简要概述。

• 总的来说，我的方法可以描述为基于领域特定语言（DSL）。我创建了颜色、从原始输入图像中提取的图像块以及不同二进制掩码的抽象表示。利用这些抽象，我编写了几个“预测器”，试图推导出一组用于从相应输入图像获取每个输出图像的变换，如果成功——将这些变换应用于测试输入以获得最终答案。

• 在组队时，我已经解决了5个任务（+2个来自公开内核）。（演示其工作原理的内核）。可能还有其他任务也可以解决，但合并后我没有单独测试我的解决方案。我的方法还分别解决了训练集和验证集中的138个和96个样本。

• 每个预测器的一般逻辑在下面的伪代码中描述（尽管对于某些类别可能有所不同）。

  for n, (input_image, output_image) in enumerate(sample['train']):
      list_of_solutions = []
      for possible_solution in all_possible_solutions:
          if apply_solution(input_image, possible_solution) == output_image:
              list_of_solutions.append(possible_solution)
      if n == 0:
          final_list_of_solutions = list_of_solutions
      else:
          final_list_of_solutions = intersection(list_of_solutions, final_list_of_solutions)
  
      if len(final_list_of_solutions) == 0:
          return None
  
  answers = []
  for test_input_image in sample['test']:
      answers.append([])
      for solution in final_list_of_solutions:
          answers[-1].append(apply_solution(test_input_image, solution))
  
  return answers

• 在测试集上效果最好的预测器是那些恢复图像上某种马赛克（mosaic）的预测器。

• 其他重要提示：

  • 我使用了多进程处理来显著加快计算速度，并控制每个进程使用的RAM和时间。
  • 我缓存了在任何步骤生成的所有块。没有这一点，16GB的内存通常是不够的。
  • 我广泛使用了单元测试来控制我最近的更改没有破坏任何东西（我认为这为我节省了很多时间）。