- 本次大赛要求选手开发算法模型，通过布样影像，基于对布样中疵点形态、长度、面积以及所处位置等的分析，判断瑕疵的种类 。通过探索布样疵点精确智能诊断的优秀算法，提升布样疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。
- 比赛链接
- code : 存放所有相关代码的文件夹
- main.py : 主函数， 运行该函数进行模型的训练及预测，可以得到最终结果
- split_good_bad.py : 将原始文件按照有无瑕疵分成good和bad两个文件夹
- extract_xml.py : 将所有xml文件提取出来放在xml文件夹下面
- DataAugmentForTrain.py : 对训练数据进行线下增强
- DataAugmentForValid.py ： 将增强后的数据作为validation
- del_copy_for_train.py ： 讲增强后的数据及原始数据全都copy到data_for_train文件夹中用于训练
- merge.py : 融合最终的多个结果
- data : 存放原始数据文件，官方数据下载地址
- submit : 存放提交文件
- step1 : 手动解压原始数据压缩文件，得保证解压后的文件名没有乱码！！！！！！！
- step2 : 手动在keras源码中修改插值方式,keras默认插值resize会出现波纹：
- 在~/anaconda2/lib/python2.7/site-packages/keras_preprocessing/imge.py的第33行后面加入 'antialias': pil_image.ANTIALIAS
- 变成： ''' _PIL_INTERPOLATION_METHODS = { 'nearest': pil_image.NEAREST, 'bilinear': pil_image.BILINEAR, 'bicubic': pil_image.BICUBIC, 'antialias': pil_image.ANTIALIAS, #added by mao } '''
- step3 : 运行main.py
- 本次比赛我们团队分两个支路进行，我负责的这块使用的是keras，队友负责的那块使用的是pytorch, 所以会有两个模型训练预测part1和part2，这个在main.py里面有注释
- part1部分：
- 数据增强线下：每张图片扩充到两张，加入了裁剪，改变亮度，加噪声，cutout等方式，当然增强的时候利用了xml文件的信息，保证了框也随之变化.
- 数据增强线上：使用keras内置的增强方法，开启了旋转，镜像，shear等
- 模型：densenet
- 修改loss， 参考
- part2部分：
- 数据增强：只有线上，使用pytorch内置的增强方式
- 模型：resnet152
- 单模92左右，3个densenet模型融合线上能达到93.8%左右
- 比赛最终用的是3个densenet和1个resnet(队友pytorch训练)出来的结果进行融合，达到了线上94.9%,9/2403的成绩
- 注意，模型初始化用的是imagenet预训练权值，在开始模型训练前会自行下载
- 线下线上增强是随机增强的，这会有一个随机性，结果可能会在线上最好成绩附近波动
- 针对目标检测的数据增强，数据预处理等相关脚本见：Data_Preprocess_For_CV
- part2部分为队友用pytorch，finetune resnet152, 在线镜像增强，输入resize到800，原始数据，训练得到。
- 上传代码未包括队友的部分
- 如果想达到949的精确度，可以在main.py代码里面将模型改为resnet152再训练一个模型，融合一下
- 感觉再多训练几个模型融合线上还能提高 = =
- 复赛代码（已更新）
- 比赛数据