第一名解决方案

模型

我使用了一个带有 SpineNet-143 + FPN 骨干网络的单一 Mask R-CNN 模型，并增加了一个额外的头部来对属性进行分类。属性头部使用 Focal Loss 进行训练。在数据增强方面，我使用了 AutoAugment 策略之一（详情见下文）。推理过程中未使用 TTA（测试时增强）。

所有更改均基于 TPU Object Detection and Segmentation Framework。你可以在 这个代码库 中找到最佳模型的代码和权重。

从 ResNet-50 切换到 SpineNet-96 骨干网络使我的 LB（Leaderboard）分数提高了约 +0.07（Private），+0.05（Public）。不过我不确定 SpineNet-143 骨干网络具体好多少，因为我使用了稍有不同的配置进行训练。

数据

我将训练数据拆分为训练集和验证集，拆分方式确保验证集包含每个类别和每个属性至少 10% 的图像。最终我得到了 39932 张训练集图像和 5691 张验证集图像。

训练

• 该模型是在 COCO 数据集预训练权重的基础上进行训练的。
• 训练分辨率为 1280x1280。
• 属性头部使用 Focal Loss 进行训练。切换到 Focal Loss 使分数提高了约 +0.012（Private），+0.018（Public）。
• 关于数据增强，我使用了随机缩放（0.5 - 2.0）以及 Google AutoAugment 实现中的 v3 策略。我修改了代码以使其支持掩码，因为目前它仅支持目标检测的情况。

该模型在 v3-8 TPU 上以 64 的批量大小训练了 91.6k 步，耗时约 69 小时。非常感谢 TensorFlow Research Cloud 为我提供免费的 TPU 访问权限，这对我帮助很大！

预测

属性

对于属性预测，我使用了能够最大化每个类别中单个属性 F1 分数的阈值（即 294*46=13524 个阈值，但其中大多数实际上 >1，因为没有训练样本）。

最佳预测

我认为本次比赛使用的评估指标并不好。不幸的是，它完全没有考虑假阴性预测。这基本上意味着每张图像仅预测 1 个结果仍然可以达到 1.0 的分数（我最初在这个讨论中询问了关于假阴性的问题，后来我也发邮件联系了组织者确认这不是失误，但他们向我保证指标没问题）。

起初，我每张图像只使用了一个置信度最高的类别预测。但高类别置信度并不一定意味着分割或属性预测得好。因此，接下来我尝试计算每个预测的分数，即类别置信度、类别掩码 AP 和类别属性 F1 分数的平均值，然后利用它为每张图像选择 1 个最佳预测。这使我的 LB 分数提高了约 +0.041（Private），+0.036（Public）。

最后，我实现了比赛中使用的评估指标，计算每个模型预测的 AP（基于验证集），并训练了一个回归模型来预测 Mask R-CNN 预测结果的 AP。然后，像往常一样，我根据预测的 AP 每张图像只