开源计划

2020年全国人工智能大赛参赛队伍作品开源计划

AI+行人重识别 已开源
队伍:RM_AI
初赛最终排名:46
复赛最终排名:15
团队介绍:刘力铭,高毅鹏,王碧皓,石振周 ,齐国栋;
团队背景:锐明技术股份有限公司;
作品特色亮点:对数据进行了多步骤处理;采用多模型融合;制定了针对性的训练策略。
AI+行人重识别 已开源
队伍:立言立语/default7676166
初赛最终排名:35
复赛最终排名:6
团队介绍:团队主要擅长计算机视觉与语音算法;
作品特色亮点:基于DMT模型,采用多种方式加大样本颜色的抖动,并且使用混合精度训练方法。
AI+行人重识别
队伍:hsslab

李晓川

张润泽

范宝余

郭振华

赵雅倩
初赛最终排名:2
复赛最终排名:2
团队介绍: 浪潮国家重点实验室下ai小组;
作品特色亮点:mix难样本挖掘采样器;测试集tsne降维算法进行降维,然后用dbscan聚类。
AI+行人重识别
队伍:Streaks / tune

廖星宇
初赛最终排名:84
复赛最终排名:3
团队介绍: JD AI Research,团队成员为廖星宇;
作品特色亮点:设计并实现一个自动化的数据清洗流程;对训练集的颜色空间进行离线增强,提高泛化性能;混合精度训练,可以节约大约 40% 的显存;对 fc 进行降维,进一步加快了模型速度。
AI+行人重识别
队伍:神圣兽国游尾郡窝窝乡独行族妖侠

刘音

李碧

王军杰

程枫
初赛最终排名:34
复赛最终排名:12
团队介绍: 高校战队,共四人;
作品特色亮点:不同分辨率多模型融合;采用注意力机制的方法,对每个局部子特征进行动态分配权重。
AI+无线通信 已开源
队伍:cmri无线未来联队/很有精神!
初赛最终排名:6
复赛最终排名:14
团队介绍:团队成员共两名,均来自中国移动研究院。队长杨骄龙在中国移动研究院无线与终端技术研究所工作,主要从事无线智能云网络方面的研究;队员谢天在中国移动研究院未来移动通信技术研究所工作,主要研究方向为机器学习在无线通信物理层设计中的应用。队伍组成的方式与赛道名“AI+无线通信”类似:队长杨骄龙主攻深度学习部分的coding工作,队员谢天主攻通信问题建模并提供通信领域的专家知识,模型调参与验证工作两人共同讨论完成;
作品特色亮点:使用两级联网络提升信道估计性能;使用深层CNN处理信号检测;采用多模型集成。
AI+无线通信 已开源
队伍:Testing
初赛最终排名:55
复赛最终排名:37
团队介绍:USTC EE 硕士; 
作品特色亮点:采用端到端系统、分块系统。
AI+无线通信 已开源
队伍:Default-BUPT
初赛最终排名:24
复赛最终排名:33
团队介绍:本团队共五人,分别是李亚贤、赵博睿、李香君、翟津黎、王兆圆,来自北京邮电大学信息与通信工程学院,指导教师是崔琪楣教授和李立华教授。本团队隶属于泛网无线通信教育部重点实验室(首届主任:张平院士)和移动互联网安全技术国家工程实验室(主任:陶小峰教授),依托于北京邮电大学信息与通信工程学院的“双一流”建设“信息与通信工程A+”学科、网络安全学院的“一流网络安全学院建设示范项目(中央网信办)”,拥有先进而完善的无线通信试验环境和仪器设备。所在的泛网无线通信中心有固定人员32人(教授10名、副教授6名、讲师16名),承担完成NSFC、863、973计划等几十项国家级项目,在4G/5G组网关键技术、试验平台研制、国际标准化等方面有深厚积累;
作品特色亮点:先用传统通信公式对接收数据进行处理,再把处理过后的数据输入神经网络进行优化。这里神经网络的优化主要体现在信道估计的优化上,神经网络中的双向LSTM网络可以很好的提取相邻多个子载波信道之间相关性,在导频较少的情况下可以很好的降低传统LS信道估计+DFT插值的误差,大幅提升信道估计的准确性。对于信号检测,我们用了理论最优的ML检测算法,在信道估计误差最小、信噪比固定的情况下,ML检测可取得最高的检测准确率。
AI+无线通信
队伍:horch

沈碧螺

肖安琪

符礼丹
初赛最终排名:1
复赛最终排名:4
团队介绍: 2名来自中科院自动化所的学生和1名实习生;
作品特色亮点:采用端对端seq2seq模型;encoder负责将输入序列压缩成指定长度的向量,decoder则负责根据语义向量生成指定的序列。 
AI+无线通信
队伍:无名王者

吴铭晖
初赛最终排名:28
复赛最终排名:8
团队介绍: 北京理工大学,信息与电子学院大四本科生;
作品特色亮点:子载波维度采用了一维卷积神经网络,引入残差和channelAttention增强性能;对测试集进行预分类,针对测试集的mode分布决定训练时的训练数据分布;采用了分集与最大似然合并,将多次独立的预测结果合并以获得更优性能。
AI+无线通信
队伍:seu_AInoob
本团队共五人:黄启圣,张浩,王李阳,朱名扬,邹龙浩均来自于东南大学移动通信国家重点实验室赵春明老师课题组,本次竞赛由赵春明老师与姜
本团队共五人:黄启圣,张浩,王李阳,朱名扬,邹龙浩
均来自于东南大学移动通信国家重点实验室赵春明老师课题组,本次竞赛由赵春明老师与姜明老师参与指导完成。

本参赛作品大体思路为:先采用传统通信算法进行预处理再采用深度学习方法进行进一步优化。具体实施方法为,1.简化模型,预处理数据时认为子载波间独立无ICI,此时每个子载波可视为独立通过MIMO传输2.根据已有导频进行LS得到导频点上信道得估计值3.根据已有得估计值做MMSE最佳线性滤波得到信道矩阵4.根据MMSE滤波结果做迭代式估计检测联合即将ML检测估计值视为已知的导频对信道进行重新估计直至收敛。这样就得到了初使值,由于题中存在削波和CP污染现象,所以OFDM子载波间实际上并非独立需要网络做进 一步处理。从ICI特点分析,一般相邻子载波干扰较大,且随子载波间隔增大而增大,所以采用CNN和RNN进行处理较为合适,由于不计复杂度和时延为了尽可能的消去干扰故采用RNN,由于GRU相比于LSTM更易收敛所以最终采用GRU作为二次处理器,并以预处理得到数据检测结果以及信道估计值为特征维度。

作品链接:
https://github.com/jerryming1995/AInoob
https://github.com/jerryming1995/AInoob_term2
AI+无线通信
队伍:请开始你的表演
三名来自南京邮电大学通信与信息工程学院的研究生,其中两名硕士生,一名博士生,主要研究方向均为智能通信。网络设计上迁移了VGG16与VGG19
三名来自南京邮电大学通信与信息工程学院的研究生,其中两名硕士生,一名博士生,主要研究方向均为智能通信。

网络设计上迁移了VGG16与VGG19的网络结构,使用一个网络对三种模式和两种导频的数据统一进行训练,网络的泛化性较强,能实现较高的分类准确率 
AI+遥感影像
队伍:木已成舟
团队成员来自华南理工大学计算机学院,研究方向为计算机视觉,医学图像处理模型包括UNet,UNet++,DANet,BASNet,Deeplabv3+,HRNet_OCR,
团队成员来自华南理工大学计算机学院,研究方向为计算机视觉,医学图像处理

模型包括UNet,UNet++,DANet,BASNet,Deeplabv3+,HRNet_OCR,PSPNet,RefineNet,PointRend等,代码均已开源,同时支持resnet,resnext,Resnest,xception等backbone以及scSE,ASPP等常用特征增强Block;数据增广使用flip和rotate;训练采用SGD和带热重启的余弦学习率调整策略,因资源不足未使用伪标签的40W图片进行训练;其他实现的trick包括Sync BN,Label Smooth,在线边缘Label Smooth,Pseudo Label等;推理环节实现了支持各种参数的膨胀预测,包括可固定中心及膨胀尺寸策略,以及自适应最小边角料策略,另外,本组也实现了测试时增强策略,限于时间有限,复赛未采用;提供可视化脚本,效果如github readme所示;针对模型存储大小,使用Huffman编码对参数进行压缩,复赛环节500M限制内,最多可实现12小时完成4模型集成(HRNet_OCR + DANet + Deeplabv3+ * 2)推理任务(logits平均集成法)。经赛后完整训练,单模型仍有3分(百分制)提升空间,本方案在卡多的情况下,足以进入决赛。另外可使用的提速策略包括半精度,删去resnet类backbone中的layer 4(可能略微损失精度,不完全训练下精度相近)。可提升精度的方案包括在backbone中最后两个Layer加入dilated conv。可尝试的损失函数包括lovasz,Focal,BCE,Dice,以及上述损失函数的混合策略,以及单独使用某个loss对模型进行微调。另外提高数据质量的方法,可以根据模型预测的mIoU设定阈值,找出预测效果极差的部分样本,从训练集去除,因为本次比赛数据集质量一般。最重要的提分策略就是充分训练,充分微调,高效集成,因为本队伍未进入决赛,所以为决赛准备的知识蒸馏方法未提供,基本思想就是使用大模型预测的logits,作为小模型训练时的GT,这些logits相比于Hard Label,还包含了类间信息,更有利于模型学习。集成可采用不同backbone的同模型集成,也可以使用不同局部最优点的相同模型集成,效果均十分明显。
AI+无线通信
队伍:图灵保佑
本人来自中兴通讯,2018年毕业于上海交通大学计算机系,目前是一名算法预研工程师,主要从事非陆地通信 AI方面的工作。基于attention对于MI
本人来自中兴通讯,2018年毕业于上海交通大学计算机系,目前是一名算法预研工程师,主要从事非陆地通信/AI方面的工作。

基于attention对于MIMO接收信号进行解码,网络结构基于GPT构造,主要trick有1)接收信号的维度重排列,2)Normalization first,3)LAMB优化器 
AI+遥感影像
队伍:y^2c
初赛最终排名:56
复赛最终排名:1
团队介绍:武汉大学遥感信息工程学院——杨岳驰,武汉大学遥感信息工程学院——杨俊静,指导老师:黄昕老师,李家艺老师
作品特色亮点:给初赛训练集在原始8类标签的限制上打上15类的伪标签,然后将初赛和复赛的数据集放在一起,让三个网络继续训练。 
AI+遥感影像
队伍:Amadeus

陈喆

杨嘉文

王文海

谢恩泽
初赛最终排名:2
复赛最终排名:2
团队介绍: 团队主要擅长计算机视觉与语音算法;
作品特色亮点:设计了一个双分支的DeepLabV3+模型,使模型具有较好的域泛化能力;同时使用其他方法进一步加强了模型的域泛化能力。 
AI+遥感影像
队伍:Du1
初赛最终排名:41
复赛最终排名:3
团队介绍: 团队来自百度视觉技术部ICA团队,主要技术方向是图像检测分割,负责遥感方向的业务落地
作品特色亮点:数据预处理的auto labeling可以帮助提高模型的效果和泛化能力。预测阶段的动态尺度大图分块预测和单精度半精度混合预测可以得到意想不到的加速效果。 
AI+遥感影像
队伍:奥奥利给/木木土艮月半了
初赛最终排名:46
复赛最终排名:4
团队介绍: 团队成员共两名,长期从事深度学习相关的技术创新和落地;
作品特色亮点:对模型结构进行了创新,融合了Deeplab V3和FPN结构,并且在训练过程中使用数据增强策略用于优化模型的泛化能力,提升了模型效果,此外在测试阶段实现了多模型融合策略以及滑窗测试方法。 
AI+遥感影像
队伍:IPIC_智测遥感

李娇娇

武超雄

刘佳超

訾顺遥
初赛最终排名:38
复赛最终排名:5
团队介绍: 高校战队,李娇娇、武超雄、刘佳超、訾顺遥;
作品特色亮点:采用多个模型之间互补预测图像时的短板;用fp16的方法将网络模型进行压缩,在保证模型预测精度的情况下,模型内存减少一半。 
AI+遥感影像
队伍:梅花梅花满天下/后厂村静静
初赛最终排名:27
复赛最终排名:6
团队介绍: "kaggle expert, 搜狗专家研究员,信息流排序算法负责人,曾负责百度贴吧Feed反作弊,图搜图文相关性方向。曾单人获得微软MIND新闻推荐冠军,aichallenger 2019美团细粒度情感分类冠军(开源代码超过550点赞),aichallenger 2018 ImageCaption亚军";
作品特色亮点:"多目标,多尺度的引入,细致的evaluate 可视化 "