第3名解决方案

很抱歉这么晚才分享。首先感谢主办方 Severstal 和 Kaggle 提供了一个非常有趣且充满挑战的比赛。我希望所有的解决方案都能为钢材缺陷检测带来一些帮助和思路。感谢所有在这个比赛中分享想法的人。没有你们的帮助，我不可能获得这枚金牌。我必须感谢 @hengck23！在尝试了很多模型流程后，我发现他的方案是最简洁的，我的最终方案就是基于此建立的。

分数

获奖提交：

最佳提交：

摘要

基础模型：Unet, Feature Pyramid Network (FPN)
编码器：efficientnet-b3, efficientnet-b4, efficientnet-b5, se-resnext50
损失函数：Focal Loss
优化器：Adam, 初始学习率 = 0.0005
学习率调度器：ReduceLROnPlateau (factor=0.5, patience=3, cooldown=3, min_lr=1e-8)
图像尺寸：训练 256x800，推理 256x1600
图像增强：水平翻转，垂直翻转
采样器：加权采样器

集成模型：
我简单地平均了9个模型的输出概率来获得最终的掩码概率，没有使用TTA（测试时增强）。

1. FPN + efficientnet-b5 + 特征图拼接
2. FPN + efficientnet-b4
3. Unet + efficientnet-b4，在训练数据中加入伪标签数据
4. Unet + efficientnet-b4，使用重度图像增强进行训练
5. Unet + efficientnet-b4 + SCSE 层
6. Unet + efficientnet-b4 + SCSE 层，在训练数据中加入伪标签数据
7. Unet + efficientnet-b4 + Mish 层
8. Unet + efficientnet-b3
9. Unet + se-resnext50

阈值
标签阈值：0.7, 0.7, 0.6, 0.6
像素阈值：0.4, 0.4, 0.4, 0.4

模型流程

我认为帮助我赢得金牌的关键点

• 使用代码流程 https://github.com/PavelOstyakov/pipeline
• 确保集成中模型的多样性
• 使用单阶段模型流程防止我单独训练分类模型并调整过多的超参数。简单就是最好的。