天池竞赛-津南数字制造算法挑战赛【赛场二】 比赛总结

前言

赛题介绍:天池竞赛-津南数字制造算法挑战赛【赛场二】
团队: ALL FATHER GIVE ME SIGHT
队长:Bloodhound
初赛:23/2157 A榜:0.6095 B榜:0.5728
复赛:32 A榜:0.7239 B榜:0.7114

虽然成绩一般,这也算是第一次正式参加比赛吧,权当记录下这两个月的工作。


初赛

最开始初赛任务是,判断出图像中包含哪些违禁品。
使用herbert-chen 分享的代码,一个分类模型。

  • 考虑到该任务是判断图中包含的违禁品,如果对图像做crop可能会裁减掉一部分处于图片边缘的违禁品,但label中又包含该违禁品,会干扰模型,于是在训练和测试过程中都不再做crop.
  • 因为这是个存在性问题,所以将label重新处理成[0,1,0,0,1](包含第二和第五类违禁品)
  • 将CrossEntropyLoss替换成SmoothL1Loss

在对模型进行简单修改过后,得分到了1。
之后越来越多的队伍都到了1,所以官方对初赛任务进行了修改,变成了目标检测任务。

一、模型选择

之前对目标检测有过一定的了解,所以一开始就选择了faster-rcnnmaskrcnn,过后发现这两版太纯净了,需要自己加很多东西。直到后来了解到了mmdetection果断入坑。
mmdetection大法好!!!

二、数据增强

  1. 常规的上下翻转和水平翻转
  2. 此次竞赛除了提供包含违禁品的训练图像外,还提供了一部分正常的图像。我将这部分正常图像和包含违禁品图像进行拼接,做成一张新的训练图像,以此来提升模型辨别背景的能力。


    image

    做拼接的这个思路的是在看别人关于目标检测的trick时,有人提到两张图片逐像素带权相加来生成一张新的图像。考虑到这种方法不太适合这个任务,加之看到之前的模型得到的结果中很多误检,感觉模型对背景的识别效果不是很好,于是就想到了拼接。

三、选择的架构和用到的tricks

之后又观察了下ground truth中框的长宽比差别比较大,所以就在anchor_ratios中加了两个更小的尺度[0.125, 0.25, 0.5, 1.0, 2.0]


复赛

复赛从目标检测进阶成了语义分割。
因为初赛的效果还不错,就继续使用了mmdetection。
中间也尝试过其他的模型,但是最后的效果最好的还是mmdetection框架。

数据增强方式和初赛相同。
开始使用和初赛相同的架构,复赛要求模型不超过600M,所以选择Resnet-50作为backbone,加入Group Normalization和模型融合(这里主要是两个不同模型结果做与运算,来提高mask的准确度)过后 最高A榜达到了0.7150
之后框架换成了Hybrid Task Cascade
同样也使用了FPN和sotf-nms,之后再加了一个二分类网络做辅助,达到了最好效果。


使用二分类网络辅助

通过对分割结果的可视化,发现很多正常的图像也被检测到有违禁品,想到最开始初赛的判断是否存在很容易就取得了很好的效果,就想用之前初赛的网络来指导分割。
具体的做法用之前分类模型的结果来对分割结果进行过滤,即若分类模型认为该图片中包含第一和第二类违禁品,最后在提交结果时就只考虑第一和第二类。
但是训练分类模型时发现验证集的准确度最高只能达到0.7+,过滤过后的得分也并不高。
之后就对分类模型进行了简化,做二分类只考虑图像中是否存在违禁品,二分类模型在验证集的准确度达到了100%。
用二分类模型的结果对htc模型的结果进行过滤,达到了最好效果。


其他模型的尝试

之前考虑到 htc 其实是做的实例分割,难度比语义分割要大,觉得如果用单纯的语义分割模型的话效果应该会更好。
于是就尝试了deeplabv3,做了很多尝试,和调整,但是得分一直不是很高,最高只达到了0.6+。
比赛结束后听说有大佬 deeplabv3 单模就到0.7+了,我可能是跑了个假的deeplab - -

当时也跑了mask scoring rcnn,感觉效果应该会挺好的,但是效果不是很好,中间想在mmdetction写一个mask scoring rcnn的实现,后来发现看源码都要看很久,就暂时搁置了。


总结

这次比赛将近做了两个月,虽然成绩不算太好,但是第一次正经参加比赛能做到这个成绩也很满足了。
最开始刷榜上不去的时候真的挺煎熬的,到处去看了很多资料,也经常对着预测结果发呆。不过后面,随着分数慢慢的提升,成就感还是挺强的。
之前一直觉得做比赛的过程中自己做了很多的工作,但是现在写出来才发现,这段时间自己做了很多废操作。
不过也是收获了很多,至少把很多框架(可能只是名字 0 0)研究了一遍。
最后,这次比赛收获还是很多的,之后想写个mmdetection的源码解读,同时尝试下在mmdetection上实现mask scoring rcnn。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,312评论 5 473
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,578评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,337评论 0 333
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,134评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,161评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,303评论 1 280
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,761评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,421评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,609评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,450评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,504评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,194评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,760评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,836评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,066评论 1 257
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,612评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,178评论 2 341

推荐阅读更多精彩内容