赛季1：主要是hadxu和haowei在干活儿
赛季2：主要是我和haowei在干活儿
源码链接：https://github.com/lhwcv/cloud_german_rank10
赛题分析
题目数据来自卫星数据有18通道
各通道数据区间相差较大
比较麻烦的是验证集与测试集同分布，而训练集非同分布
而且训练集，验证集和测试集疑似存在很多伪重图片，造成线下cv和线上难以对上
个人一直很烦这种问题，大部分找不到很好的解决方案，只能采取一些维稳策略
毕竟只有良好的验证集才能帮助正确评估模型快速迭代优化方案
各位看客有比较好的解决方案望告知
解决方案
讲的很细，因为没啥东西，算是个抛砖引玉
个人感觉基础分类任务创新也是蛮难得，基本上看到都是loss啥变变
- 可见光通道所在的卫星数据进行亮度对比度数据增广
- 所有数据进行flip+rotate
- 数据z-score规范化使各通道范数相近(据队友实验数据好像归一化会严重掉分，不过我没这习惯hh)
- 卫星数据reflect放大，一直测试到160*160，因为春节大家都比较懒只测到这么大了，一直有涨
- 学习率三次衰减，再衰减线下虽还未过拟合，线上分数已经开始掉了
- label smooth -> label = (1-alpha)label+alpha(1-label)/16
- batch level ohem
- Nadam+pytorch
- deep backbone + light head
- 使用初版模型获得训练数据的fc特征，再聚类聚5类分fold（约几个千）
- 半监督伪标签，四份测试集取较高分数段滤掉部分低质量样本加入训练集训练
- TTA × 8
- 112,128,144,160大小图像差异集成，xcep + IncepResnetv2 + seresnext50 + resnet50集成
最后
恩，方案简简单单普普通通
模型也还行，春节期间比较忙，最后临时抱佛脚性质跑了四个模型
等着前排答辩完开个方案