(第8名->第5名) 解决方案
恭喜大家。非常感谢 Kaggle 和组织者举办这场精彩的比赛。特别感谢我的队友 @aziz69 和 @datadote。
我们一直担心过拟合问题。虽然不知道最终是否按计划奏效，但我还是想分享一下我们的解决方案。:)
数据增强
- 垂直翻转、水平翻转、旋转、随机尺寸裁剪
主干网络
- ResNet50, DenseNet121, InceptionResNetV2, 使用 noisy-student 权重的 EfficientNet-B7。
相对而言，EfficientNet 在多种病害识别上的表现优于其他模型。
损失函数
- 分类交叉熵 + Focal Loss
图像尺寸
- 812, 1024
(当图像尺寸在 800 左右时，分数有所提高。)
其他技巧
- 伪标签
- 随机权重平均 (SWA)
- 标签平滑 (改善了 ResNet 的表现)
- 测试时增强 (TTA) (改善了 EfficientNet / IncepResNet / DenseNet 的表现)
- 过采样 (我们试图通过此方法来平衡数据)
对我们没有帮助的方法
- Cutmix
- Mix Up
- GridMask
- Blockout
- 其他...
实际上，我做了很多实验，但无法一一写下来。（使用 CycleGAN 生成图像消耗了太多资源。）
我想分享一个失败的实验。我想解决数据不平衡的问题，于是使用了额外的数据来生成多种病害的数据。
[PlantPathology Apple Dataset]
https://www.kaggle.com/piantic/plantpathology-apple-dataset
最终，我生成了 224、512、1024 尺寸的图像。即使在我这双“拙眼”看来，512 和 1024 的图像似乎也无法使用。我挑选了一些有用的，但也只有几百张。而且当我用它进行训练时，分数反而更低，所以我没有采用它。
我分享一些生成的图像：
