第11名解决方案

恭喜所有的参赛者！

预处理

我只使用了 Ben 的裁剪方法（缩放半径 scale radius）。

数据增强

输出图像大小为 256x256。

train_transform = transforms.Compose([
    transforms.Resize((288, 288)),
    transforms.RandomAffine(
        degrees=(-180, 180),
        scale=(0.8889, 1.0),
        shear=(-36, 36)),
    transforms.CenterCrop(256),
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomVerticalFlip(p=0.5),
    transforms.ColorJitter(contrast=(0.9, 1.1)),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])

第一级模型 (本地运行)

• 模型： SE-ResNeXt50_32x4d, SE-ResNeXt101_32x4d, SENet154
• 损失函数： MSE
• 优化器： SGD (momentum=0.9)
• 学习率调度器： CosineAnnealingLR (lr=1e-3 -> 1e-5)
• 训练轮数： 30 epochs
• 数据集： 2019 训练集 (5折交叉验证) + 2015 数据集 (类似于 此处讨论)

第二级模型 (Kernel 中运行)

• 模型： SE-ResNeXt50_32x4d, SE-ResNeXt101_32x4d (使用第一级模型的权重)
• 损失函数： MSE
• 优化器： RAdam
• 学习率调度器： CosineAnnealingLR (lr=1e-3 -> 1e-5)
• 训练轮数： 10 epochs
• 数据集： 2019 训练集 (5折交叉验证) + 2019 测试集 (公开 + 私有，分为5份，每折使用不同的数据)
• 伪标签： 第一级模型的加权平均值

模型集成

最后，对第二级模型的预测结果取平均值。

• Public LB： 0.826
• Private LB： 0.930

幸运的是，我选择了最好的提交结果。