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+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+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 " 
AI+遥感影像
队伍:提交成功 / GOODLUCK

亓鲁

李彦玮

陈玉康

王毅

赵恒爽
初赛最终排名:1
复赛最终排名:7
团队介绍: 香港中文大学计算机系,计算机视觉在读博士;
作品特色亮点:初赛训练数据和复赛训练数据的一级标签和二级标签的联合训练,扩充更多的数据,提升模型的泛化能力。 
AI+遥感影像
队伍:跟谁俩呢
初赛最终排名:5
复赛最终排名:8
团队介绍: 成员只有我一个,毕业于哈尔滨工业大学,现在在云从科技做算法工程师;
作品特色亮点:使用了bagging的方法进行集成,可以提高模型的泛化能务。使用fp16的方法进行推理,可以加快推理的速度并且可以提高集成的模型数。使用了不同的backbone增加了不同模型的差异性。test的时候针对不同大小的图片使用不同的策略,可以既不出现oom的错误,也能比较快的推理。 
AI+遥感影像
队伍:火眼金睛
初赛最终排名:13
复赛最终排名:9
团队介绍:我们的团队近些年的主要的研究方向是视觉理解中的目标检测、语义分割、实例分割和行为识别等工作,最近两年开始开展遥感图像领域的研究,曾于去年12月活动第一届“天智杯”人工智能挑战赛(目标检测相关)科目六赛道的第一名。
作品特色亮点:1、模型训练阶段采用旋转(rotate)和翻转(flip)的数据 增强方式;
2、采用浅层分割结果辅助loss的训练方式;
3、采用multi-classifiers的策略,在训练阶段就模型多模型融合的思想;
4、优化ASPP模块,针对图像尺寸,将dilation rate设置为1,4,8,12,同时添加了一路self-attention的平行分支;
AI+遥感影像
队伍:神之一手在哪里!/老中医
初赛最终排名:23
复赛最终排名:10
团队介绍:于飞-北京大学、时维阳-中科院自动化所、杨学斌-中国科学技术大学
作品特色亮点:训练时采用4张Titan V GPU,测试时采用单张2080Ti。环境为pytorch1.6,python3.7,其它依赖包见github源代码。 
AI+遥感影像 已开源
队伍:年轻人要讲武德啊
初赛最终排名:4
复赛最终排名:11
团队介绍:团队成员有3人构成,董斌(队长)、张培圳、陆鑫;
作品特色亮点:针对道路等狭长的类别采用条形池化运算;采用膨胀预测。
AI+遥感影像
队伍:喵喵(^o^)
初赛最终排名:81
复赛最终排名:12
团队介绍:来自成都考拉悠然科技有限公司,三个赛道都进入了复赛,希望遥感影像这个赛道能进决赛。
作品特色亮点:1. 结合EMA,Fluff,PointRender多种方法,兼顾速度和准确率
2. 自研框架,没有使用mmsegmentation等开源框架,支持ranger优化器,多模型集成,多GPU训练等 
AI+遥感影像 已开源
队伍:木已成舟
初赛最终排名:29
复赛最终排名:14
团队介绍:高校3人队,两名研一,一名研二;
作品特色亮点:实现了以往比赛中冠军方案的所有trick,囊括近若干年来所有热门的模型。