CVPR 2020 细粒度分类挑战赛冠军方案介绍-FlyAI

CVPR 2020 细粒度分类挑战赛冠军方案介绍

图像分类

最后更新 2020-11-23 17:09 阅读 588

最后更新 2020-11-23 17:09

阅读 588

图像分类

最新的比赛是关于细粒度分类的，在之前，天涯明月刀分享了CVPR 2019年的细粒度分类挑战赛冠军方案。
我下面带来CVPR 2020 细粒度分类挑战赛冠军方案介绍，多看看大佬的经验还是挺有好处的，本次比赛由支付宝天筭安全实验室获得冠军。
## 赛题介绍
赛题任务：根据苹果树叶子图片区分不同种类的疾病，提高疾病分类的准确率，从而减少化学药品的滥用，及其导致的耐药病原体菌株出现的问题。
![](https://dataset.flyai.com/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9LbVhQS0ExOWdXaWNXTmxWRFc5RmpwY0VpYzU5aWF3c0t0STRKSnEwOUQ3SnhYdUVkSkdKakJwaWNpYzBpYzhWOHJ4aEVTS05UMWNQRENkTmlhaWN1Zmd4dXBpYkRody82NDA.png)
#### 赛题数据集描述
本次比赛数据集集包含 1821 张训练图像和 1821 张测试图像，每张图像有四种可能的标签（健康、锈病、痂病、同时拥有两种疾病），这四种类型的比例为 6:6:6:1，数据集中有一部分不准确标签。
数据集的特征很明显，一个数据量少，二是存在多标签，三是数据不均衡，四是存在错误标签干扰。
其中数据量少是限制模型精度提升的重要原因，多标签问题和数据不均衡问题影响较小，存在错误标签的问题是需要想办法解决的，不然对精度影响较大
#### 评价指标
评价使用ROC/AUC，最后取各标签的平均值。
ROC/AUC评价指标也算是常用评判方法了，当测试集正负样本分布变化的时候，ROC曲线能基本保持不变，也就有效缓解了类不均衡时单纯依靠准确率无法有效评价模型好坏的问题。
下图就时ROC/AUC与Precision—Recall曲线的对比：
其中a、c为ROC曲线，b、d为Precision-Recall曲线，a和b为测试集样本均衡的曲线图，c和d为样本不均衡时的曲线图（负样本增加了10倍），可以看到ROC曲线在两种情况下基本保持了相同的趋势，而Precision-Recall曲线则变化十分明显。
![](https://dataset.flyai.com/微信截图_20201123160513.png)
## 冠军组解决方案
#### 0. 参赛详情
本次比赛共有 1317 支队伍参加，参赛队伍众多，支付宝天筭安全实验室最终得分是98.445，第二名为98.182，在这种规模的比赛中第一二名的差距还是比较大的。
#### 1. 数据增强
随机亮度、随机对比度 这两个每次二取一使用，其示意图如下：
随机亮度：
![](https://dataset.flyai.com/微信截图_20201123161114.png)
随机对比度：
![](https://dataset.flyai.com/微信截图_20201123161123.png)
中值滤波、运动模糊、高斯模糊 这三个每次三取一使用
以及上下翻转：
![](https://dataset.flyai.com/微信截图_20201123161223.png)
左右翻转：
![](https://dataset.flyai.com/微信截图_20201123161245.png)
随机旋转、缩放以及剪切
![](https://dataset.flyai.com/微信截图_20201123161306.png)
基本上都是常见的增强方法，没有使用cutmix、mixup以及cutout之类的方法
#### 2. 模型
模型使用seresnext50，单模型，貌似没有模型融合，考虑到senet自带类似于注意力机制的支路，能有效的捕捉不同类别间的精细特征，比较适合细粒度分类任务。senet基本结构如下：
![](https://dataset.flyai.com/微信截图_20201123162046.png)
#### 3. 训练策略
优化器使用adam
学习率策略为cycle learning rate
![](https://dataset.flyai.com/微信截图_20201123162318.png)
调参简单，不需要过于精细化的调整超参，亦不会出现严重的过拟合，考虑到数据量极其少并且存在少量错误标签，不会导致严重过拟合是十分有利的特点。
#### 4. 额外流程——自蒸馏
以应对标签错误的问题，流程示意图如下：
![](https://dataset.flyai.com/微信截图_20201123162546.png)
首先使用5折交叉验证训练模型一，并保留每一折的验证集预测结果，然后按照ground truth：prediction=3：7的比例和原标签进行混合，最后训练模型二，得到最终结果
#### 5. 模型效果检查与分析
在炼丹过程中采用CAM来可视化观察卷积层的特征提取效果，由于目标类别极其相似，若模型有较好的效果，CAM图中的应该能清楚的看到卷积层关注叶片的病变区域，冠军团队得到的CAM图如下：
![](https://dataset.flyai.com/微信截图_20201123163916.png)
可以看到，效果还是非常好的，卷积层关注到了区分不同类别的关键区域
#### 6. 模型预测
采用TTA、最后结果为平均加权
![](https://dataset.flyai.com/微信截图_20201123163216.png)

总的来说，方案中均为常用模型以及tricks，但是却十分有效，不愧是支付宝的炼丹团队

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://www.flyai.com/article/artfa89bd786b953500ccc96b50?type=e

讨论

500字

表情

每日优质讨论奖励 20FAI

发送

每日优质讨论奖励 20FAI

删除确认

是否删除该条评论？

取消删除