金牌方案 - 第12名解决方案

首先，我要感谢主办方举办了一场精彩的比赛。这真的非常有挑战性。我的团队取得了不错的成绩，这是我们获得的第一枚金牌，比这更重要的是，我们学到了很多有用的东西。

以下是我们解决方案的简要概述：

我们使用了3种不同类型的架构。

第一种架构详情：

• 使用 MultilabelStratifiedKFold 创建了5折（最终预测时取平均值混合）
• 图像大小：128x128
• 数据增强：Cutmix (0.4) / Mixup (0.4)，随机选择其中一种
• 标签平滑
• 优化器：Adam (lr=0.001, ReduceLROnPlateau(factor=0.8, patience=5))
• 训练了100个 epoch
• 一个包含186个结果的输出头，然后将结果拆分为3个 softmax

第二种架构详情：

• 使用 MultilabelStratifiedKFold 创建了5折（最终预测时取平均值混合）
• 图像大小：原始图像尺寸
• 数据增强：Cutmix (从 0.3, 0.4 ,0.5, 0.6, 0.7 中随机选择) + Cutout(max_holes=6, max_height=12, max_width=12, p=0.5 )
• 标签平滑
• 优化器：Adam (lr=0.001, ReduceLROnPlateau(factor=0.8, patience=5))
• 训练了150个 epoch

第三种架构详情

• 使用 MultilabelStratifiedKFold 创建了2折（最终预测时取平均值混合）
• 图像大小：300x300
• 数据增强：Cutmix (从 0.3, 0.4 ,0.5, 0.6, 0.7 中随机选择) + Cutout(max_holes=6, max_height=12, max_width=12, p=0.5 )
• 标签平滑
• 优化器：Adam (lr=0.001, ReduceLROnPlateau(factor=0.8, patience=5))
• 训练了150个 epoch

最终的提交结果是这3种架构所有折次（共12折）预测结果的平均值，每折权重相同。

公开排行榜到私人排行榜的分数变化是 0.9784 -> 0.9507。

结论

最后，我可以说我们的解决方案没有使用任何袖里乾坤或不寻常的技巧，只是遵循了计算机视觉领域的最佳实践。