假正类表示预测目标没有与之关联的真实对象 ， 假负类表示真实目标没有与之关联的预测目标 。然后 ， 将上述每个 IoU 阈值上精度值的平均值作为单个图像的平均精度值：最后 ， 竞赛的评估度量返回的分数是测试数据集中每个图像平均精度的平均值 。第一名方案首先 ， 我要祝贺并感谢我的队友 phalanx ， 他为此付出了很大的努力！这是我在图像分割领域处理的第一个问题 ， 三个月前我对分割还一无所知 。
所以 ， 这项第一是对我们所获知识和经验的巨大奖励 。我想 ， 这对新手来说也是一个很好的示例：只要你肯努力 ， 即使没什么背景知识也能获得不错的成绩 。局部验证我们创建了 5 个按深度分层的常见 fold 。局部验证的分数与 LB 有很强的相关性 。第一阶段训练我们每个人都基于训练数据开发了一个模型：我的模型输入：101→resize to 192→pad to 224编码器：在 ImageNet 上预训练的 ResNeXt50解码器：conv3x3 BN ， 上采样 ， scSE训练概览：优化器：RMSprop ， 批大小：24损失：BCE Dice 。
从 0.0001 开始降低高原上的 LR损失：Lovasz 。从 0.0005 开始降低高原上的 LR损失：Lovasz 。4 个带有余弦退火 LR 的 snapshot ， 每个 snapshot 需要 80 个 epoch ， LR 从 0.0001 开始phalanx 的模型编码器为 ResNet34（架构与下面描述的 resnet_34_pad_128 相似）输入：101→ resize to 202→pad to 2565-fold ResNeXt50 有 0.864Public LB（0.878 Private LB）5-fold ResNet34 有 0.863Public LB（0.880 Private）它们的整合分数为 0.867Public LB（0.885 Private）第二阶段训练基于第一阶段得到的整合分数 ， 我们创造了一套置信假标签 。
置信度为置信像素预测的百分比（probability
