第10名 - 错过了30+个更好的提交 :)

这个方案主要基于这个 Kernel，做了一些小的改动，比如在调整大小时保持长宽比（600x850），并且使用了全部训练数据而没有进行交叉验证；增加了翻转（0, H, V, HV）的 TTA（测试时增强）。

我对 B5、B6、B7 和 IRv2 都进行了这样的操作。最好的单模型是 IRv2，Public LB 得分为 0.981，集成后的得分为 0.984。

然后加入了伪标签，单模型 IRv2 达到了 0.984，集成模型达到了 0.988。

没有使用花哨的数据增强或损失函数，我也没有处理数据不平衡问题。尽管如此，我最终还是 Public 和 Private 榜单上都拿到了很多高分。但是很难挑选出最好的一个，因为我没有验证集，而且测试集和训练集都很小。

所以我拿了 Public 上最好的提交，然后从前100名最好的提交中随机选了一个 :)。结果那个随机选的最终比我的最佳 Public 提交还要好。

另外，我错过了 30+ 个比我现在分数更好的提交 :D