第39名 Private LB：小而简的方案

恭喜大家，希望那些遇到分数错误问题的人能顺利解决……这确实非常令人沮丧。

我的方法概览 —— 保持简单，放弃难以检测的深度伪造：

我认为复杂的模型反正也无法正确识别这些难例，而且因为容易过拟合，最终还会把简单的样本也搞砸。最终我在 Private LB 上排名第 39（分数 0.477）；在 Public LB 排名第 100 左右（分数 0.328）。

细节：

我主要担心的是模型泛化能力不强，这主要是因为我们可用的训练数据有限。我对规则的理解是，任何外部数据充其量处于灰色地带，更有可能是被禁止的，所以我只使用了提供的数据。

我构建了一个尽可能简单且小的模型，我知道这无法检测出高难度的深度伪造，但我认为它能更稳健地检测出简单的样本。

数据集：

我使用了 @humananalog 的 Blazeface 解决方案，将每个视频中的 32 帧（在视频中均匀分布）的人脸保存到硬盘。我对视频进行了筛选，只允许所有面部器官（眼睛、鼻子、嘴巴等）在所有帧中都可见的训练样本。这减少了约 25% 的训练集，我认为这对模型正确收敛很重要。

采样：

我在每个 epoch 中对真实/伪造视频进行了 50-50 的采样（所有真实视频 + 1 个采样的对应伪造视频，每个 epoch 选择一个随机组合）。一旦采样了一个视频，我会从该视频中置信度最高的 10 帧中随机采样 1 帧。总的来说，我不确定采样方案对分数有多大影响。它对我的验证集或公共排行榜没有产生巨大影响，但也许在私有排行榜上起到了一些作用。

数据增强：

随机水平翻转、JPEG 压缩、亮度对比度调整。如上所述随机选择帧也起到了部分增强的作用。

模型：

我使用了 EfficientNet-b0，因为它是能给出合理结果的最小模型。

分辨率：

我使用了三种不同的输入尺寸（每种对应单独的模型）：180、196、224。为了使模型更加稳健（原因如上所述），我选择了较小的分辨率而不是较大的分辨率。

模型集成：

每个模型都在 5 折样本上进行拟合（按文件夹划分）。最终结果是对这些预测的平均值。