第13名解决方案

首先，感谢 Severstal 举办这场比赛。同时祝贺获胜者们！

我对如此巨大的排名变动（shake-up）感到非常惊讶，我也很幸运能够获得一枚单人金牌。我在这个比赛中只尝试了大约10天，所以没有做很多实验，我的解决方案也不是很特别。我只是非常幸运。

简而言之，我的解决方案只是多个模型的集成。根据我目前的经验，我认为集成多种不同的模型对于构建稳健的解决方案非常重要。

分类任务 (Classification)

• 模型
  • 3个 EfficientNet-b4（分层10折交叉验证中的前3折）
• 输入
  • 全尺寸 (256 x 1600)
• 数据增强
  • 随机裁剪重缩放
  • 水平翻转, 垂直翻转
  • 随机对比度, 随机伽马, 随机亮度
• TTA (测试时增强)
  • 无, 水平翻转
• 标签阈值
  • [0.5, 0.5, 0.5, 0.5]

分割任务 (Segmentation)

• 模型
  • EfficientNet-b3 Unet 分层4折验证 (全尺寸图像)
  • EfficientNet-b3 Unet 1折验证 (随机裁剪 256 x 800)
  • 3个 Unet 模型，来自 mlcomp + catalyst infer kernel (作者: @lightforever)
• 数据增强
  • 同分类任务
• 损失函数
  • BCEDice (BCE权重=0.75, Dice权重=0.25)
• TTA (测试时增强)
  • 无, 水平翻转
• 掩码阈值
  • [0.5, 0.5, 0.5, 0.5]
• 后处理

公共排行榜 (Public LB) 预测结果

缺陷 1 = 82 (128)
缺陷 2 = 5 (43)
缺陷 3 = 601 (741)
缺陷 4 = 110 (120)