比赛简介

        大赛提供5000张图片，10分类问题。

        本次主要在数据，网络模型和优化器做优化，数据量较小，主要工作是在防止过拟合。

数据处理：

1.数据增强

• 随机水平翻转  RandomHorizontalFlip

• 随机仿射变换       RandomAffine

2.数据扩充

    大赛提供了5000张数据进行训练，数据量较小。

    在网上爬取了4946张图片，爬取的数据集链接：

        链接：https://pan.baidu.com/s/1MbKgC3JP1EA5TbQUdl53xw 

        提取码：97qy

    爬取的数据有很多脏数据，做了两轮简单的数据清洗后扩充数据集。

    给易混淆的类别多扩充一些数据，同时考虑数据均衡。两轮每个类别的的数据增加量如下图。

    训练时分别使用两个扩充的数据集训练。

模型选择

    本次比赛分别尝试了ResNet系列和efficientnet系列，参考了下图，

    最后直接选择了参数量最大的efficientnet-b7。

其他工作

    优化器：训练全程采用ranger优化器，使用L2正则化。

    损失函数：使用了标签平滑（LabelSmoothingCrossEntropy）

    学习率策略：使用ReduceLROnPlateau，两个epoch验证集准确度没有上升就减小学习率。

模型训练

        训练分两部分，图片输入尺寸为（224,224）

        第一阶段：使用数据处理部分第一轮添加的数据，9:1划分，只训练最后一层网络参数，10个epoch。

        第二阶段：在第一阶段模型基础上继续训练，使用数据处理部分第二轮添加的数据，9.6:0.4划分，训练最后一层网络参数10个epoch后，训练全部参数25个epoch。

未来展望

        在efficientnet网络中添加cbam注意力机制。

        使用学习率余弦退火等方法。

        增大图片输入尺寸。

模型性能

        单模型，测试集acc98.4%。

参考：

        模型选择出图片来源：https://github.com/lukemelas/EfficientNet-PyTorch