第12名解决方案

恭喜大家，我非常高兴能获得我的第一枚金牌！以下是我的解决方案。

模型

• efficientnet-b5
• efficientnet-b6

我的最终提交包含了80%的回归模型和20%的分类模型。

数据预处理与增强

我使用了两组 data_crop 增强方法：

• 裁剪黑色背景并保持纵横比缩放至 320x320。
• 随机添加黑色背景到图像并缩放至 288x288。

两种裁剪方法均使用了：左右翻转、上下翻转、随机角度旋转、随机擦除、随机模糊、亮度偏移、颜色偏移、色调偏移和高斯噪声。

训练策略

• 在2015年数据上进行预训练，并在2019年数据上进行微调。感谢 DrHB @drhabib，我从你的方法中获得了启发。
• 5折交叉验证（选择准确率最高的两到三折进行提交）。
• 微调时应保留预训练时的优化器参数，这对我来说有很大帮助。
• TTA（测试时增强）*2。
• 阈值：[0.5, 1.5, 2.5, 3.5]。
• 分类模型使用投票法进行集成。

伪标签

使用伪标签让我的 LB 分数从 0.840 提升到了 0.842，但我担心过拟合，所以我只给了伪标签模型非常低的权重。事实证明，我错了。

总结

• 好的预训练非常有帮助。
• 伪标签既诱人又危险，但值得一试。
• 坚持到最后一刻！！！💪