dice = 2∗|X∩Y|/(|X|+|Y|)

其中x是预测的像素集，y是真值，0<=dice<=1，越大越好

为了减少提交文件的大小，度量对像素值使用长度编码。 例如，“1 3 10 5”表示包含在遮罩中的像素1、2、3、10、11、12、13、14。 检查该度量对是否已排序、为正，并且解码的像素值不重复。像素从上到下编号，然后从左到右编号：1是像素（1,1），2是像素（2,1）等。

预测的编码应该与每边缩放0.25的图像相对应。换言之，虽然训练和测试中的图像为1400 x 2100像素，但预测应缩小到350 x 525像素的图像。为了达到合理的提交评估时间，需要减少提交评估时间。

• 使用efficientNetB4进行图片数据训练但是预训练模型未公开,将efficientnet输出转接到unet进行分割任务
• 使用Resnet进行encode,使用unet进行decode(本次提交修复了数据增强包中没有torch.To_Tensor的问题,直接使用作者之前写好的to_tensor)

--'vgg11':imagenet','vgg13':'imagenet','vgg16':'imagenet','vgg19':'imagenet','vgg11bn':'imagenet'(未引入), 'vgg13bn':'imagenet'(未引入),'vgg16bn':'imagenet'(未引入),'vgg19bn'(未引入):'imagenet','densenet121':'imagenet', 'densenet169':'imagenet','densenet201':'imagenet'(显存不足),'densenet161':'imagenet'(显存不足),'dpn68':'imagenet+5k', 'dpn68b':'imagenet'(imagenet key error),'dpn92':'imagenet'(imagenet key error),'dpn98':'imagenet+5k'(imagenet+5k key error),'dpn107':'imagenet+5k'(显存不足),'dpn131':'imagenet'(显存不足), 'inceptionresnetv2':'imagenet'(显存不足),'resnet18':'imagenet'--,'resnet34':'imagenet','resnet50':'imagenet','resnet101':'imagenet', 'resnet152':'imagenet','se_resnet50':'imagenet','se_resnet101':'imagenet','se_resnet152':'imagenet', 'se_resnext50_32×4d':'imagenet','se_resnext101_32×4d':'imagenet'

-- densenet121:0.643(batch_size=4)————kernel效果 densenet121:0.650(batch_size=16)
-- densenet169:0.642(batch_size=4)————kernel效果 densenet169:0.6532(batch_size=10)
-- densenet201:0.638(batch_size=2)————kernel效果 densenet201:0.649(batch_size=10)
-- resnet18:(batch_size=)————kernel效果 resnet18:0.640(batch_size=32 accumulate_iter=32)
-- efficientnetb2:(batch_size=)————kernel效果 efficientnetb2:0.648(batch_size=16)
-- efficientnetb4:0.6539(batch_size=12)
-- efficientnetb4:(batch_size=16)
-- efficientnetb3:(batch_size=)————kernel效果 efficientnetb3:0.651(batch_size=10)(修改了loss为dice_loss以及dice_coef作为metrics)
-- resnet34_FPN(16 batch) 0.6508
-- efficientnetb5_FPN(5 batch)0.6567
-- efficientnetb5_Unet(8_batch)0.6561
-- efficientnetb7_FPN(4_batch) 0.6575未跑完ZXY账号
-- efficientnetb7_Unet(4_batch)
-- efficientnetb4_FPN(16_batch) 未跑完sj账号 -- densenet169_FPN(10_batch)
-- efficientnetb5_Unet(5_batch_优化器选用Adam) 0.6509

--

-- se_resnext50_32x4d unet(weight:imagenet)
-- efficientnet-b5 unet(weight:imagenet)
-- efficientnet-b5 fpn(weight:imagenet)
-- efficientnet-b5 fpn(weight:imagenet 训练了较多批次)
-- se_resnext50_32x4d fpn(weight:imagenet) 0.635(batch-16)

-- post_process threshold:0.32_15000(ds)
-- post_process threshold:0.30_15000 从0.653提升到0.655
-- post_process threshold:0.3_13000 0.657
-- post_process threshold:0.295_13000 0.658(比0.29_13000略好)
-- post_process threshold:0.2925_13000 0.658(比0.295_13000略好)
-- post_process threshold:0.29_14000 0.657
-- post_process threshold:0.29_13000 0.658
-- post_process threshold:0.29_12000 0.657
-- post_process threshold:0.28_12000 0.656
-- post_process threshold:0.28_15000 任然是0.655 比上个稍微差一点
-- post_process threshold:0.25_12000 0.654
-- post_process threshold:0.25_10000 0.650

-- post_process threshold:0.2925_13000 0.6572
-- post_process threshold:0.30_13000 0.6575

-- post_process threshold:0.22_13000 0.6534
-- post_process threshold:0.2925_13000 0.6587
-- post_process threshold:0.29_13000

-- post_process threshold:0.2925_13000 0.6582
-- post_process threshold:0.29_13000 0.6581

-- post_process threshold:0.2925_13000 0.6582

-- post_process threshold:0.2925_13000 0.6579

-- post_process threshold:0.6_13000 0.6585
-- post_process threshold:0.5925_13000 0.6594
-- post_process threshold:0.59_13000 0.6595
-- post_process threshold:0.5850_13000 0.6593
-- post_process threshold:0.59_12500 0.6595
-- post_process threshold:0.45_15000 0.6601 先经过TTA再经过classifier之后效果提升不明显
-- post_process threshold:0.45_15500 0.6601 先经过TTA再经过classifier之后效果提升不明显
-- 2019年11月15日10:51:00 将mean ensemble转化为temperature ensemble -- post_process threshold:0.665_14000 0.611

-- post_process threshold:0.59_13000 0.6573

-- post_process threshold:0.59_13000 0.6570

-- post_process threshold:0.6_13000 0.6585

-- post_process threshold:0.59_13000 0.6593

--post_process threshold:0.59_13000 0.6573

--post_process threshold:0.59_13000 0.6543

-- ensemble four models(efficientnetb4_Unet,densenet169_Unet,efficientnetb5_Unet,efficientnetb5_FPN) using temperature mean after post_process threshold 0.665_14000->efficientnetb2 classifier(batch_size=32)(脚本在雄波账号中)