大赛描述
时间：
- 初赛：2019年6月20日-7月19日
- 复赛：2019年7月29日-8月30日
排名：参赛总人数1520，初赛个人排名96，初赛团体排名36，复赛团体排名27。
思路总结
- 这个图像分割的任务，训练数据是一张很大的图，必须要做裁切。裁切的方式可以使用顺序或者随机。由于各个类别不平衡，可以在裁切时控制各类别的比例、使之平衡。在大赛中最终选用的是随机裁切，并且resize到原图的$\frac{1}{4}$。做resize是由于考虑到农田中的种植较为稀疏，用U-Net这样的网络直接预测会过多考虑作物之间的空隙。
- 网络选用了U-Net，在imagenet上预训练，使用交叉熵loss。
- backbone用了resnet18，试过resnet50，和resnet18效果差距不大。
- 提分点：预训练，snapshot，旋转预测取平均，对patch的预测取中间部分，为防止过拟合取第一个epoch的结果（初赛）。
- 试了用UNet++做模型蒸馏，效果没有变化。
可用trick
- 预训练一般是有用的
- 用较大的patch可以提升效果，但是也不能太大导致gpu塞不下。
- snapshot有用
- 旋转预测取平均
- 预测一个patch后取中间的一小块
- 可以把各个epoch的预测结果都show出来看一下
- 模型融合一般是有用的，两个线上效果差不多的模型，差异越大、融合后的提升越多。
赛后总结
- 瞎改loss没什么用
- 瞎改网络没什么用
- 似乎没有想到什么特别好的方法防止过拟合
- 选择拟合能力足够的backbone即可，没有必要选择很多的、很复杂的backbone。
- 由于农作物比较稀疏，选用Deeplab v3+这样较多使用high-level feature的网络，效果会比较好。一开始选择了U-Net对农作物进行预测是一个失误。此外，似乎U-Net对道路的预测结果比DeepLab好。应当根据任务和数据的特性取选择合适的网络。
- 图像不应该resize到$\frac{1}{4}$，这样会损失信息。应当用原始图像，然后用DeepLab v3+或者PSPNet。
- 冠军的方案使用了软标签，这个是由于数据集的标注不够精准。软标签的做法是将边界区域一定宽度的像素设置为0~1之间的浮点数，而非原始的one-hot向量。
- 冠军的方案使用了伪标签，似乎这个一般而言都是有用的。做法是对测试数据进行预测，取预测概率比较高的结果加入到训练数据中，然后重新训练，然后对剩下的测试数据再做预测、概率高的结果加入训练数据，如此往复。
- 后处理用过腐蚀、膨胀，效果不明显。不过对于其他任务而言，可以用这种方式消除较小的连通域。
- 模型融合方法，我们用的是直接取并集，可能这并不是最好的融合方案。可以采用投票的方式，或者取交集。