第10名解决方案

太长不看版 (TL;DR)：

• 我使用了 mmdetection 框架，它真的非常方便；
• 最佳单模型（带有 ImageNet 预训练 ResNeXt101 的 Cascade RCNN）+ TTA（水平翻转，多尺度测试 (600, 900), (800, 1200), (1000, 1500), (1200, 1800), (1400, 2100)）在 Public LB 上达到了 0.499；
• 根据频率将数据集分为 6 个子集，然后对它们进行微调 1-2 个 epoch。 —> 大约提升了 0.05+；
• 父类扩展带来了大约 0.01+ 的提升；
• 对我所有高分提交进行加权集成（来自 ZFTurbo 去年的解决方案） —> 最终 Public 得分为 0.608。

1. 单模型

在最开始，我打算参加“视觉关系检测”赛道。但后来我意识到我没有一个好的目标检测模型来应对那个比赛。所以我从 Faster RCNN+ResNeXt101 开始，我花了大约 20 天训练了 24 个 epoch，在 Public LB 上的结果是 0.446。

同样地，我分别训练了 Cascade RCNN+ResNeXt101 和 Cascade RCNN+SENet154 各 12 个和 8 个 epoch。

我就让这些模型训练几周，做我的日常工作，然后放弃了“视觉关系检测”。

最好的单模型是 Cascade RCNN+ResNeXt101，它意外地被训练了 19 个 epoch（比计划多 6 个 epoch）。所以也许我应该把每个模型都训练得更久一点 :)。

结论：我的单模型很弱。它们应该被训练更长时间。

2. 微调

由于类别非常不平衡，我简单地根据频率将数据集类别分为 6 个子集，并使用 Faster RCNN+ResNeXt101 模型对它们进行微调：

• 类别 0-50，约 1411368 张图片，2 个 epoch，lr 0.001
• 类别 51-100，约 308352 张图片，2 个 epoch，lr 0.001
• 类别 101-200，约 208096 张图片，2 个 epoch，lr 0.001
• 类别 201-300，约 93140 张图片，2 个 epoch，lr 0.001
• 类别 301-400，约 45840 张图片，1 个 epoch，lr 0.001
• 类别 401-500，约 19316 张图片，1 个 epoch，lr 0.001

在最终截止日期前两周，我在代码中发现了一个巨大的 bug。

解决这个 bug 后，集成微调模型的预测结果在 Public LB 上带来了大约 0.05+ 的提升。

结论：解决类别不平衡问题是获得银牌或金牌的关键。

3. TTA 和最终集成

一些队伍合并了，我可能有机会获得单人金牌。

所以我做了以下工作：

• 对每个模型进行 TTA：水平翻转，多尺度测试，图像尺寸为 (600, 900), (800, 1200), (1000, 1500), (1200, 1800), (1400, 2100)；
• 推理后对每个预测扩展父类；
• 对所有模型进行加权集成（来自 ZFTurbo 去年的解决方案）。

其他技巧：

• 增加每张图片的检测框数量限制，即使它们的置信度较低。我在最终提交中选择了 600 作为上限。
• 我没能完成 Cascade RCNN+SENet154 模型的 12 个 epoch 训练。尽管如此，集成它还是带来了轻微的提升。

对我无效的方法：

Soft-NMS：尝试将其用于集成，效果不佳。

计划但未实现：

• 使用分割赛道的 Mask 标注；
• 多尺度训练和 Mixup 数据增强。

最后的话：

让我们公平竞争。

Peace & Love。 👍