第9名解决方案

大家好。首先感谢主办方和Kaggle举办这场有趣的比赛，同时也祝贺所有的获奖者。我的解决方案相当混乱，所以也要感谢所有能读到结尾的人：)

初次尝试（不太成功）：

起初，我决定在这次比赛中采用两阶段的方法——分别训练分类模型（气胸/非气胸）和分割模型。因此，我训练了几个常见的分类模型：resnet34、resnet50、seresnex50、seresnext101、dpn98，它们的准确率都差不多，约为0.9。我无论如何都无法提高这个结果。之后，我训练了几个带有不同骨干网络的unet模型（仅在包含气胸的图像上训练），得分进入了金牌区。但这种方法不是很稳定，而且LB（Leaderboard）上的结果与我的本地CV（交叉验证）并不相关。在几次提高该解决方案的尝试失败后，我感到很失望，并停止参与这次比赛大约一个月。

最终解决方案：

回到比赛后，我决定尝试一种稍微不同的方法，这最终成为了我的最终解决方案。它也有两个步骤：

分类：

为此，当时我决定使用Unet模型。并通过像素数量的阈值来判断图片中是否存在气胸。根据我的验证，最佳阈值是2000。

• 骨干网络： seresnext50
• 数据： 对于这一步，我使用了所有图像和平衡批次（气胸/非气胸），这大大加速了收敛
• 数据划分： 5折和10折，按气胸面积分层
• 输入尺寸： 768x768
• 损失函数： BCE
• 数据增强： 水平翻转、旋转（最多10度）、随机亮度、对比度和伽马、模糊
• 学习率调度： 当验证指标停滞时降低学习率，耐心=3个epoch

这个方法给出了相当不错的结果，但仍然有相当数量的假阴性例子。因此，我决定使用我在开始时训练的分类模型，如果所有模型都将图片归类为包含气胸，我就将其标记为包含气胸。

分割：

这一阶段的核心元素也是Unet模型:) 但这一次，模型仅对在分类阶段被识别为包含气胸的图片进行预测。

• 骨干网络： seresnext50
• 数据： 仅包含气胸的图像
• 数据划分： 5折和10折，按气胸面积分层
• 输入尺寸： 928x928, 768x768
• 损失函数： BCE + Dice
• 数据增强： 与分类阶段相同
• 学习率调度： 当验证指标停滞时降低学习率，耐心=5个epoch