第41名 Pytorch 解决方案

1. 数据

• 6 个通道

2. 数据增强

• RandomScale, Rotate, HorizontalFlip, VerticalFlip, Resize, RandomBrightnessContrast, RandomGamma, Normalize

3. 模型设计

• 主干网络：在 ImageNet 上预训练的 DenseNet201
• 头部：带有批归一化的 2 个线性层

4. 损失函数

• 二元交叉熵损失

5. 训练

• 优化器：Adam
• 不同层使用不同的学习率
• 图像尺寸：512
• Batch Size：64
• Epochs：75
• 针对每种细胞类型进行微调
• 混合精度训练

6. 预测

• TTA (测试时增强)：10
• 使用嵌入向量 而非最终的概率分数
• 对每种细胞类型分别运行 k-最近邻算法
• 使用匈牙利算法 匹配细胞类型与培养板，以及孔洞与 siRNAs

7. 结果

• Public LB：0.701
• Private LB：0.959

8. 观察总结

• 我没能成功利用 ArcFace :(
• 匈牙利算法极大地提升了分数
• TTA 也有帮助