19、包容性图像竞赛解决方案深度剖析

包容性图像竞赛解决方案深度剖析

在图像识别领域的竞赛中，包容性图像竞赛吸引了众多参与者，大家纷纷展示自己的解决方案。下面将详细介绍竞赛中前三名团队的解决方案以及整体的一些共性特点。

冠军团队解决方案

冠军团队提出了针对包容性图像竞赛的获胜方案。其关键在于对基础卷积神经网络（CNN）模型的最后几层进行微调，微调的数据是本地验证集和第一阶段测试集的组合。同时，采用了集成方法，其中包含为不同组合权重α训练的模型，并对权重进行了调整。

在竞赛中，这种相对简单的方法比基于先进领域自适应方法的尝试更为高效。不过，这并不意味着领域自适应毫无用处，该方案的成功很大程度上可能是因为第二阶段的地理分布与第一阶段颇为相似。从这个获胜方案中，我们可以得出一个重要结论：即使是来自目标领域的非常小的标记集，通过适当的数据增强和集成方法来避免过拟合，也能在将预训练模型从一个数据分布迁移到另一个数据分布时发挥巨大作用。虽然领域偏移仍然是一个严峻的问题，但此方法为在实际中解决该问题开辟了有趣的可能性，因为目标领域的小标记数据集通常是可用的，或者可以相对低成本地获取和标记。

亚军团队解决方案

模型概述

亚军团队（Vexcoz，Igor Ivanov）一开始就知道测试图像将来自不同地理区域，所以数据增强和集成是创建鲁棒模型的关键方向。后来详细分析发现训练集和测试集的标签分布存在显著差异，因此微调也变得非常重要。

最终模型是3种现代卷积神经网络架构的集成：
- ResNet50：训练57个周期，图像大小为224 × 224，批量大小为64。
- InceptionV3：训练25个周期，图像大小为400 × 400