终于成为 Grandmaster 及第 7 名解决方案

恭喜所有的 Kagglers。

闲聊

在“钢材缺陷检测”比赛的失败之后，我没有时间去悲伤，所以立即投入到这场比赛中，为了我的 Grandmaster 头衔而努力。我的一位前队友 Xuan Cao 选择了单打独斗。当然，他做出了正确的选择，因为他赢得了单人金牌并成为了 Grandmaster。祝贺他。

然后我选择了和我一样在钢材比赛中受苦的朋友们组队，他们是 Zheng Li、yelan、Jhui He 和 Strideradu。

解决方案

我们的解决方案非常简单，就是集成。

分割模型 v1：

• 模型：EfficientNet e5/7-FPN，SE101-FPN, SE101-LinkNet
• 损失函数：Dice Loss

分割模型 v2：

• 模型：EfficientNet e5-FPN
• 损失函数：Symmetric Lovasz Loss + Dice Loss

分类模型：

我们尝试了一些纯分类器，但对分割模型的 OOF（Out-of-Fold）Dice 分数提升有限，因此我们转向了多任务学习，即一个带有全连接头的分割模型。

• 模型：EfficientNet e5-FPN, SE50-UNet, SE50-FPN
• 损失函数：0.1 * BCE (分类) + (BCE + Lovasz + Dice)(分割)

集成：

v1：

对分类模型的概率取平均以去除假阳性（FP），并使用分割模型 v1 处理真阳性（TP）。这样我们得到了大约 0.670 的 OOF CV 分数。分类的阈值为 [0.65, 0.65, 0.65, 0.65]，然后移除小尺寸的掩码（阈值为 [21000, 21000, 21000, 10000]），最终在 Public LB 上得到了 0.6783 的分数。

v2：

我们对分类模型的概率和分割模型 v2 的最大像素概率取平均以去除 FP，但 LB 分数很差，而且阈值很低（0.55，低阈值在钢材比赛中效果不好），所以我们放弃了这个方案。

后处理：

1. 从训练集来看，每张图像至少有一个标签。然后，我从上面提到的 0.6783 提交结果中提取了 4 个通道为空的样本，并提取了分类器在这些样本上的最大预测概率，如果某个类别的预测概率 > 0.55，则恢复像素掩码。
2. 我对分割模型 v2 和 0.6783 提交结果都预测为正样本的那些样本做了掩码合并（Mask Union）。结合上述后处理，我们可以得到 0.6800 的 LB 分数。

总结

1. 不幸的是，我们没有选择最好的提交（0.67254），那个提交来自集成方案 v2。但是当时的 Public LB 分数是 0.67360，所以我们没有选择这个提交。当然，我们在前三名中有很多提交。幸运的是，我们选择的提交仍然让我们进入了金牌区。
2. 感谢我的队友们的努力，我也祝贺自己成为了 Grandmaster。