第三名方案

恭喜大家取得优异的成绩。

以下是我们团队的方案总结。

数据集

• 预训练：通过水平翻转和垂直翻转进行三倍身份增强。
• 图像分辨率：137 x 236。

模型

针对已见字形和未见字形

• (phalanx) 编码器 -> Gem池化 -> 批归一化 -> 全连接层
• (earhian) 编码器 -> 平均池化 -> 批归一化 -> Dropout -> 全连接层

ArcFace

• 编码器 -> 平均池化 -> 1D卷积 -> 批归一化
• 缩放参数 s：32(训练), 1.0(测试)
• 间隔参数 m：0.5

堆叠

• 卷积 -> ReLU -> Dropout -> 全连接层

数据增强

• Cutmix
• 平移、缩放、旋转、剪切

训练

• 已见字形：使用预训练数据集训练已见字形模型，然后使用原始数据集进行微调。
• ArcFace 和未见字形：使用原始数据集训练针对已见字形的预训练模型。
• 将 softmax 替换为 pc-softmax。
• 损失函数：负对数似然。
• SGD 优化器配合余弦退火。
• 随机加权平均。

推理

ArcFace

• 计算训练集和测试集嵌入特征之间的余弦相似度。
• 阈值：训练集和验证集嵌入特征之间最小的余弦相似度。