2022华为全球校园AI算法精英赛：季军方案！

笔者鲤鱼，是西安交通大学人工智能学院的一名研究生，在2022华为全球校园AI算法精英赛的赛道二取得了季军的成绩。
初赛阶段一直名列A榜的榜首，复赛前几天也一直处于A榜榜首。虽然最后一天翻车了，但每次切换测试数据集都能取得稳定的优势，模型的泛化性能应该是比较强的，只是可惜最后输在了一些后处理的trick上，现提供一些思路，仅供参考。
如需作者完整PPT ，可在后台回复关键词季军下载。
赛题理解
本次华为全球校园AI算法精英赛的赛道二——车道渲染数据质量检测赛题。地图数据渲染生成过程中，部分数据会存在诸如缺边少角，异形道路等缺陷，本赛题旨在探索可靠的高精度质检模型。
赛事信息：华为全球校园AI算法精英赛-CV赛题。
问题图片的范围包括：中心线问题、停止线问题、引导面问题、路肩问题、路面问题、箭头问题、车道线问题
整个问题为经典的图像分类问题，赛题方提供了7种异常类别的细粒度标注，所以整体思路可以建模为“二分类”或者“多分类（8类：正常类别+7个异常类别）”问题。
数据分析
我们统计了有标签训练集的样本分步，如图1所示，可以看出存在以下两个特点：
长尾分布比较明显，各个类别样本严重不均衡。
在异常的类别中，第6类“引导面”的占比最大。（说句题外话：本赛题复赛最后的第一名就是针对第六类单独统计了一些像素值，最后通过这些像素值的统计特征将第6类摘出来了，正好第六类占比比较大，弯道超车，属实佩服）

文章插图
图1：有标签训练集的样本分布
此外，我们还统计了有标注数据集的尺寸大小，发现主要是2400*1080的尺寸，长宽比悬殊但比较固定，且尺寸较大。我们尝试过成方形的方式进行训练，发现效果不如等比例缩放来的好。所以最终我们将长宽都缩小到了原来的四分之一，在保证训练效果的同时，也节省了显存开销。
图2：有标签训练样本的图片尺寸统计数据增强
对于大部分比赛而言，合适的数据增强都有奇效，但一般很难吃准什么增强有效，所以大家只能盲目尝试。但笔者一直认为高端的食材只需要简单的烹饪，所以我们只采用了比较基础的数据增强方式（对比度、水平翻转这些）。这里不太适合做那种几何变换的数据增强，否则很容易破坏掉原图的语义结构。
当然，我们观察训练集的标注，发现存在一张照片同属于多个异常类别这个问题，这表明图像可能同时存在多个异常，所以我们采用mixup的增强方式来提升模型分辨不同问题图片的能力。
模型设计
对于分类问题来说，笔者一直觉得大道至简，各种花里胡哨的操作有时候还比不上简单纯粹的分类网络，只是需要掌握合适的烹饪手法，才能做出美味的佳肴。这里给出了笔者采用的网络架构。
图3：网络架构
当然，由于这个比赛比较特殊，存在大量的无标注数据，充分利用大量的无标注数据对模型性能的提升影响很大，所以我们的模型最终采用了三阶段的训练方式。