主要思路三部分：观察数据、模型选择、数据增强

观察数据

• 图片尺寸不一 
• 数据量少

对应的数据增强：使用大一点的输入size，数据增强尽量多一点

设计的数据增强如下:

'train': torch_transforms.Compose([
                torch_transforms.Resize((size,size)),
                torch_transforms.RandomHorizontalFlip(),
                torch_transforms.RandomVerticalFlip(),
                torch_transforms.ToTensor(),
                torch_transforms.Normalize(mean, std),
                torch_transforms.RandomErasing()
            ]),

模型选择

由于使用了多模融合，所以这里我选择了常规的三个模型，每个模型在全连接会加入Dropout=0.2

self.model_names = ['resnet18','densenet121','efficientnet-b0']

选择小模型的原因是，输入图像size设置的比较大，小模型速度更快。

参数调整

主要的提分点

• Baseline 单模resnet34  inputsize= 224 90.95 
  
• 模型融合提升 93.63
  
• 99%的数据用来训练 95.93
  
• 图像分辨率增加到512 ，增加数据增强 96.38
  

赛题总结

    最近开始实习了，感觉这个赛题可以说十分友好了。个人对这个赛题的理解，这个赛题相比于其余赛题应该是最简单的一个了，图像数量少且目标单一，不需考虑多么复杂的技巧。

    分享以下别的提分技巧，最近看到的

•  多阶段训练
• 针对易混淆类别赋予不同的loss权重
  
• 尝试使用auto_augment
  
• 很多人都会采用 EfficientNet B3？（我看到的经验里面）
  
• 将训练好的CNN特征使用SVD，后续使用SVM分类

Thanks...