第二名解决方案

大家好，祝贺所有获奖者，也感谢 Kaggle 提供了这么精彩的比赛。

在这里，我将给出问题的通用解决方案，我会谈谈那些有帮助的技术以及那些没有奏效的想法。

最近，我参加了 Kaggle 的分割竞赛 SIIM-ACR 气胸分割 和 Severstal: 钢材缺陷检测。因此，我在解决此类问题方面积累了相当丰富的经验。我已经有了一个大概的概念，知道什么可能行得通，什么行不通。

想法 #1

观察数据时，我发现图像的尺寸为 1400x2100，直接将这样的数据输入网络并不是一个好主意。当然，可以将图像缩小 2 倍或 4 倍，但显然我们肯定会丢失数据中的一些信息。

我想出了一个折衷方案。使用一个小型网络——压缩器，从数据中提取显著特征并减小图像尺寸。结构大致如下：

为了构建模型，我使用了 Keras 2、Tensorflow 1.4 和库 https://github.com/qubvel/segmentation_models（非常感谢 Pavel Yakubovskiy）。

想法 #2

为了构建有效的集成模型，我们必须使用预测之间相关性尽可能低的模型。我决定使用以下模型参数组合：

所有模型都使用了 Unet 解码器。

训练参数：
优化器：Adam
损失函数：FocalLoss
批次大小：4

强力数据增强：
Hflip（水平翻转）, VFlip（垂直翻转）, Equalize（直方图均衡化）, CLAHE（对比度受限的自适应直方图均衡化）, RandomBrightnessContrast（随机亮度对比度）, RandomGamma（随机伽马）, Cutout（遮挡）
ShiftScaleRotate（平移缩放旋转）, GridDistortion（网格畸变）, GaussNoise（高斯噪声）

在双周期学习率策略下训练 30 个 Epoch。大致形状如下：

为了训练模型，我使用了 2xP3.2 Amazon 实例。

想法 #3

后处理。
对所有模型的预测结果取平均 -> 得到原始概率图。

所有基于 DICE 指标的对象分割任务对假阳性错误都非常敏感。在某些情况下，训练一个单独的分类器模型来检测图像中是否存在掩码非常有帮助。在我的例子中，分类器帮助不大，我使用了“三重规则”方法，这是我第一次在 SIIM-ACR 气胸分割 比赛的第一名解决方案中看到的。

非常感谢 Aimoldin Anuar 提供的想法 https://www.kaggle.com/sneddy。该方法的描述可以参考这里：Kaggle SIIM-ACR 气胸挑战赛 - 第1名解决方案 - Anuar Aimoldin。

三重规则参数（threshold1, minsize, threshold2）是通过全局优化方法搜索得到的。

基本上，这就是解决问题所有有帮助的内容。

没有