第6名方案 fastai

这是我的解决方案的文章和代码！

摘要

• 模型：xresnets
• 图像尺寸：256x256
• Mixup：从均匀分布中采样
• 水平与垂直翻转：作为新标签（共320个标签）
• 损失计算：仅计算 F2 分数（阈值为 0.2）小于 1 的样本的损失
• 噪声数据：约 3500 个“优质噪声样本”被像精选数据一样使用
• TTA（测试时增强）：在时间轴上每隔 128px 切片剪辑（无重叠），为每个切片生成预测，并计算每个类别的最大值（max）
• 最终提交：
  • 1) 2 个模型的平均值：Public LB 0.742，Private LB 0.74620
  • 2) 6 个模型的平均值：Public LB 0.742，Private LB 0.75421

额外观察

• 我发现使用 128x128 的随机裁剪并缩放到 256x256 的效果，比使用 128x256 的随机裁剪并缩放到 256x256 更好，这与我预期的相反。
• 我想知道为什么 max_zoom=1.5 会起作用；我原本没料到会这样。

致谢

感谢 @daisukelab 提供生成梅尔语谱图的代码！感谢所有在讨论或 Kernel 中做出贡献的人。最后，感谢主办方举办这场精彩的比赛！