第3名解决方案 & 成为Grandmaster!! (已更新代码)
更新
代码请点击这里。
大家好，亲爱的Kagglers。首先，非常感谢RSNA和Kaggle举办了如此精彩的比赛。同时恭喜获奖者和所有的参赛者:) 我终于成为了Kaggle Grandmaster（大师）。这是一段非常艰难的旅程，但所有的经历都让我变得更强。我为此感到非常自豪😆
这是我的解决方案。我将在后面的部分详细说明，并在整理好之后分享我的GitHub仓库。
最终模型: Private LB 0.045
仅使用用户堆叠模型: Private LB 0.043 (很遗憾我没选这个 qq)
特殊的预处理
窗技术
我使用了两种类型的窗技术。
对我来说，硬膜下窗的效果稍微好一点。
拼接用户切片
这个方法给我带来了很大的提升。在一个SeriesInstanceUID中有一些图像（大约20-40张）。当按ImagePositionPatient2排序时，你会发现目标是连续的。在我的文章中，我将这些图像称为 s1, s2, s3, ..., st, st+1, …。
这里是例子。你可以在我的Kernel中看到更多细节。
所以我决定拼接来自同一个SeriesInstanceUID的一些图像。
- st-1, st, st+1
- st, st+1, st+2
- st-2, st-1, st
- st-2, st, st+2
- np.mean (st-3, st-2, st-1), st, np.mean(st+1, st+2, st+3)
- np.mean (st-5, st-4, st-3, st-2, st-1), st, np.mean(st+1, st+2, st+3, st+4, st+5)
- np.mean (st-X for X in all values), st, np.mean(st+X for X in all values)
然后预测 st 的目标。
我还尝试了多任务训练。
- st-1, st, st+1 然后预测 st-1, st, st+1 的目标
- st-2, st, st+2 然后预测 st-2, st, st+2 的目标
这个模型在Stage1 Public上得分0.060~0.062（抱歉我忘了具体分数）。这是我最好的单模型，这两个模型将我的集成分数在Stage1上从0.057提高到了0.056。
用户堆叠
我使用了“拼接用户切片”的方法向模型展示用户的多个切片。我在集成部分使用了这个方法，我称之为用户堆叠。
其他使用的方法
- 虽然提升不大，但我还是写下来了。
- Appian的0