第16名方案 [Private LB 0.988]

首先，我要感谢 Recursion Pharmaceuticals 和 Kaggle 组织了如此有趣的比赛。然后，我非常感谢 nosound 和 Giulia Savorgnan 报告了平板泄漏问题。

我的方案非常简单。概览如上图所示。（抱歉我的字迹潦草..）

环境设置

• 我使用了配备 V100 GPU 的云实例。
• 使用 PyTorch 框架。

数据

• 6 通道，512x512 输入。
• 对部分模型应用了对比度受限的自适应直方图均衡化（CLAHE）。
• 常规的数据增强。

模型

• 主要使用带有各种骨干网络的 CosFace。
• 使用 RAdam 优化器和循环学习率。
• 每个站点分开处理。
• 采用此讨论中的两阶段训练方法。
• 在第二阶段训练中进行交叉验证。

预测

• 不使用 model.eval()（这是由于每个实验之间的差异）。
• 对每张图像进行 8 次测试时增强（TTA）。
• 对来自两个站点的预测结果取平均值。
• 软投票。

后处理

• 以此 Kernel相同的方式修正原始预测。
• 使用匈牙利算法去除每个平板中的重复预测。

无效尝试

• Mixup 数据增强。
• 对照图像（我尝试了一个双头模型，其中实验图像特征减去对照图像特征，但效果更差）。

我真的很想尝试伪标签，这可能会提高分数，但由于时间不足，我没来得及做。

最后，祝贺获奖者！

P.S.
我在 Aillis Inc. 工作，这是一家日本医疗设备初创公司，利用喉咙图像开发先进的诊断设备。我们正在招聘！如果你感兴趣，请联系我。