第8名方案：两阶段策略与Kuzushiji数据增强

感谢主办方和Kaggle提供了如此有趣的比赛，也祝贺所有享受这次挑战的选手！

我的方法是一个两阶段的流水线。我使用 CenterNet [1] 进行字符检测，使用 MobileNetV3 [2] 进行分类。我的方法概览如下图所示。所有模型都是在我家用服务器上安装的单块 GTX 970 GPU 上训练的，因此我的方案在资源利用上相对高效。

检测

我选择 CenterNet 是因为其无锚框的设计非常简洁。Kuzushiji（变体假名）字符的长宽比范围很大，且相对于页面尺寸较小，因此似乎很难找到合适的锚框设置。

• 架构： ResNet18 + U-Net
• 数据： 使用完整训练集训练单个模型
• TTA（测试时增强）： 尺度调整 -> 多尺度 + 边界框投票（bbox voting，提出于 [3]）

分类

我结合了多种数据增强方法来提高准确率。（黑色网格线仅用于可视化）

其他常规的增强操作如颜色、亮度、对比度、旋转和噪声也有应用。训练时的实际输入图像如下所示。这些操作是通过 albumentations 库实现的。

• 架构： MobileNetV3 Large
• 损失函数： 标准 softmax 交叉熵损失
• 训练： 使用完整训练集训练单个模型
• 微调： 使用完整训练集 + 伪标签（通过分数 > 0.9 过滤），并减少数据增强。
• 无 TTA：（我尝试过多尺度推理，但其贡献非常小。）

本地验证

正如讨论的那样，按书名进行分组划分非常重要。字符的外观随书籍的不同而有很大差异。我使用按书名划分的分组进行本地验证，以选择超参数、数据增强类型和测试时的阈值。我将检测器的分数阈值设为 0.3（<- 默认值 = 0.5）以减少假阴性预测，将分类器的分数阈值设为 0.5 以减少假阳性预测。

放弃的想法

• [分类器] 少数类过采样和类别平衡损失 [4]。我尝试了这些技术来解决类别不平衡问题，但其贡献非常小。
• [分类器] 基于序列的训练以利用上下文信息（阅读顺序预测 -> CNN + Bi-LSTM），但没有奏效。
• [检测器/分类器] 从 CODH 网站收集大量未标注图像，用于表征学习或半监督学习。我放弃了这个