第12名方案：带有Mask Scoring Head的UNet
恭喜大家！
感谢我的队友 @masaakikob 和 @card7077 ！
我发现了一些有趣的东西并想分享出来。
最终的提交仅由我的模型完成。
1. 我的策略
- 预测分割
- 图像尺寸 896
- 预测类别
- 图像尺寸 768
- 整合预测结果
- 移除低概率的掩码
2. 模型与数据集概览
2.1 数据流
MS-EUNet 在本文中指的是“带有EfficientNet B4的Mask Scoring UNet”。
TTA（测试时增强）采用水平翻转。
2.2 关于数据集
| 数据集 | 描述 |
|---|---|
| Stage1 Train | Kaggle第一阶段训练集 |
| Stage1 Test | Kaggle第一阶段测试集 |
| Stage2 Train | Kaggle第二阶段训练集（= 第一阶段训练集 + 第一阶段测试集） |
| CheXpert | 外部数据。移除了模棱两可的标签。所有图像：210k，气胸图像：17k |
| CheXpert_1 | 从CheXpert采样，50k，气胸 : 非气胸 = 1 : 2 |
| CheXpert_2 | 从CheXpert采样，68k，气胸 : 非气胸 = 1 : 3 |
| DatasetSeg_1 | 仅包含“Stage1 Train”中的气胸数据，3k |
| DatasetSeg_2 | 仅包含“Stage2 Train”中的气胸数据，3k |
| DatasetCls_1 | Stage1 Train + CheXpert_1，67k |
| DatasetCls_2 | Stage1 Train + CheXpert_2，67k |
| DatasetCls_all | Stage1 Train + CheXpert，220k |
2.3 模型训练所用的数据集
| 模型 | 使用的数据集 |
|---|---|
| SEResNext(Model1) | DatasetCls_1 |
| SEResNext(Model2) | DatasetCls_2 |
| LightGBM | DatasetCls_all |
| MS-EUNet | DatasetSeg_2 |
| MS-EUNet(with ASPP) | DatasetSeg_1 |
3. 分割
3.1 Mask Scoring Head（与原始版本略有不同）
- 这是基于 Mask Scoring R-CNN (MS R-CNN)
- 我对将这个想法应用到UNet架构中很感兴趣
- 我重复了实验。结果证明，这对我的模型来说是一个有用的案例
class UEfficientNetB4WithMaskScoreHead(nn.Module):
def __init__(self, dropout_rate=0.3, input_size=256):
super(UEfficientNetB4WithMaskScoreHead, self).__init__()
#############
# ~~~~~~~~~ #
#############
kwargs = {'mask_ch': 1, 'num_classes