第13名方案

感谢 Kaggle 和马克斯·普朗克研究所举办了这场有趣的比赛，并祝贺所有的获胜者！以下是我方案的简要总结（Public LB: 0.67698, Private LB: 0.66713）。

预处理

• 排除不良图像（移除了13张图像）
• 将图像大小调整为 (320, 512)

数据增强 (使用 Albumentations)

• Gamma 校正 (limit=(50,100), p=0.5)
• 亮度调整 (limit=0.2, p=0.5)
• 平移 (limit=0.2, border_mode=0, p=0.5)
• 旋转 (limit=30deg, border_mode=0, p=0.5)
• 水平翻转 (p=0.5)
• 垂直翻转 (p=0.5)

验证

• 根据空掩码的数量进行 StratifiedKFold 分层交叉验证

模型 (7个模型 x 5折的集成)

1. UNet-ResNet34 + CBAM + Hypercolumns
2. 同模型1，但使用不同的随机种子
3. UNet-ResNet18 + CBAM + Hypercolumns
4. UNet-InceptionResNetV2 + CBAM+ Hypercolumns
5. UNet-SeResNext50 + CBAM + Hypercolumns
6. UNet-ResNet34 + CBAM + FPA
7. UNet-ResNet18 + CBAM + FPA
   我使用了验证得分最佳轮次的权重。

损失函数

• BCE + LovaszHinge
• 在此基础上，我使用了深度监督，对非空掩码应用 BCE+LovaszHinge 损失并乘以 0.1

优化器与调度器

• Adam & CosineAnnealingWarmRestart (20轮循环)
• 学习率 : 1e-4 到 1e-6

模型集成

• 对7个模型进行简单平均 (x 5折 = 总共35个模型)

后处理

• TTA (测试时增强) : 无 + 水平翻转 + 垂直翻转 + 水平和垂直翻转
• 像素阈值 = 0.45
• 小掩码阈值 = 18000
  以上参数均通过模型1的5折交叉验证确定。

最终提交

• 我只查看了集成模型的 Public LB 分数。因此，我需要一些标准来选择最终提交方案。我决定选择两个在 Public LB 上表现良好且对小掩码阈值具有鲁棒性的提交，尽管它们并不是我 Public LB 分数最高的提交。幸运的是，我在榜单洗牌中幸存下来并获得了一枚金牌。