排名第46的解决方案 - 保持CV的纪律性

我们的解决方案

感谢主办方提供的学习机会，也感谢@shashwatraman在本次比赛中的帮助。

提交选择规则：
我们通过保持交叉验证（CV）策略的简单性来应对排行榜波动，采用最合理的验证方式：在kidney_3 dense数据集上验证。本比赛中我们完全不信任公开排行榜（LB），选择提交时遵循以下标准：

• 分块模型 - 避免私有排行榜出现异常形状
• 使用插值增强（调整大小和随机裁剪） - 解决分辨率变化问题
• 使用最后训练轮次的权重（不采用检查点） - 避免过度自信的CV结果

训练协议非常简单，未进行任何预处理/后处理：

• 2D U-Net 架构
• 384×384 分块处理
• maxvit_small_384 单模型（无集成）（时间不足）
• 15 个训练轮次
• 体积归一化
• 轻量级数据增强
• 低阈值：0.1

经验总结：
比赛中尝试的大多数方法均未奏效，CV效果最佳的是2.5D和3D方法，但考虑到z轴分辨率可能不足以支持这些模型而放弃。
曾考虑将预测结果蒸馏到2D模型但未及实施。
希望未来能参与更稳定的3D分割竞赛，发挥更多创意。本次比赛得分主要归功于坚持不查看排行榜的纪律性。
尽管对CV策略自豪，但我们最佳提交得分仅0.615。若严格遵守规则本应选择它，但因LB分数过低而退缩，教训深刻。