第 17 名解决方案：一种替代的校正工作流程
感谢组织者和 Kaggle 工作人员举办这场有趣的比赛。我还要感谢 @hengck23 提出的多阶段流水线想法。我的解决方案遵循该框架，但使用了不同的图像校正实现方法，这是我想在此分享的主要部分。
解决方案总结
- 单折模型流水线（无集成）。
- 最终提交运行时间大约 < 1.5 小时。
- 硬件：所有模型均在单个 RTX 4080 GPU (16GB) 上训练。
流水线阶段：
- 单应性变换 (非机器学习)
- 网格级校正
- 线条强度分割
- 信号提取 (从预测的强度图中)
1. 单应性变换 (Homography Transformation)
似乎许多团队使用机器学习模型来解决这一阶段，而我实施了一个仅利用 OpenCV 的解决方案：
- 关键点检测： 我掩蔽了一个通用模板，并从模板和目标图像中检测了 SIFT 关键点。图表顶部的文本标题实际上对对齐很有用。
- 匹配： 使用 RANSAC 对关键点进行匹配和过滤，针对 warped paper 设置了较大的像素误差阈值。
- 对齐： 应用生成的单应性变换 (cv2.perspectiveTransform) 将图像对齐到模板平面，保持一致的尺度。
模板掩膜
| 检测到的关键点与匹配 | 叠加模板网格点的单应性校正图像 |
|---|---|
 |
 |
2. 网格级校正 (Grid-Level Rectification)
此阶段侧重于在亚像素级别检测网格点并将其与模板网格匹配：
- 模型与推理： 我训练了一个分割模型来预测网格点概率。在推理过程中，我使用 monai 滑动窗口函数在原始分辨率下进行预测，随后通过加权局部概率导出坐标以实现亚像素精度。
- 泛化： 对 '0001' 图像进行强增强使模型能够很好地泛化到其他类型。因此，标签 simply 从 '0001' 集合中提取为整数网格点，无需进一步生成标签。
- 过滤： 我还预测了一个线条掩膜概率通道。这用于过滤掉经常出现在信号线附近的假阳性网格点。
- 网格组装： 单应性变换后，许多点与模板紧密对齐。我利用这些点构建了一个结构化网格并相应地匹配检测到的点。
- 校正： 使用 PyTorch 的 grid_sample 和双线性插值执行最终的非刚性 warp。
3. 线条像素分割 (Line Pixel Segmentation)
- 真值 (Ground Truth)： 掩膜由修改后的
ecg-image-kit绘图函数生成，其中概率基于像素强度计算。 - 训练： 我在网格校正后的图像上使用 512 像素窗口训练了分割模型。
- 推理： 应用滑动窗口预测来处理完整的 (1700 x 2200) 图像。
4. 信号提取 (Signal Extraction)
我构建了一个回归模型，直接从分割掩膜预测亚像素级坐标。
模型架构
输入：(B, 1440, 1968) # [Batch, Height, Width]
---------------------------------------------------------------------------
1. 垂直 2D 卷积编码器 (折叠高度)
(B, 1, 1440, 1968) --> (B, 512, 1968) # 高度被压缩为 1
2. 带有 ROPE 的 CNN & Transformer (混合上下文)
(B, 512, 1968) --> (B, 512, 1968) # 时间/导联混合 (形状不变)
3. 细化 (跳跃连接)
(B, 1024, 1968) --> (B, 512, 1968) # 合并原始 + 混合特征
4. 上采样 (双倍宽度)
(B, 512, 1968) --> (B, 256, 3936) # Pixel Shuffle
5. 热力图 & Soft-Argmax (最终投影)
(B, 256, 3936) --> (B, 4, 256, 3936) # 拆分为 4 个导联 & 256 个 Bin
---------------------------------------------------------------------------
最终输出：(B, 4, 3936) # [Batch, Leads, Y-Coordinates]训练与性能
使用了两种损失函数：预测 y 坐标的 MSE 损失 和转换信号值的 SNR 损失。
- 预训练： 模型在来自 PTB-XL 数据集的真值掩膜上进行了预训练。当使用竞赛真值线条强度作为输入时，验证 SNR 达到了 30dB。此阶段在单个 GPU 上收敛耗时约 10 小时。
- 微调： 我在预测的线条概率掩膜上对模型进行了微调。微调仅需几个 epoch 就开始过拟合。
- 结果： 微调期间本地验证性能降至 ~25-26dB，主要受限于上一阶段预测的概率掩膜的质量。