ACCV国际细粒度识别比赛复盘

GiantPandaCV导语

工作之余参加了一下关于细粒度分类方面的比赛，就个人而言是第一次完整的参加比较大型比赛，虽结果不完美，但收货良多，故复盘总结。

一、背景

• 细粒度识别任务不同于普通的图像识别任务，类间差异更小，比如，想要识别狗和袋鼠这个属于普通的识别问题，如果要识别哈士奇和阿拉斯加，这个就是细粒度的范畴，所以对于模型的要求更高，难度更大。

  

• 本次比赛，是由南京理工大学、英国爱丁堡大学、南京大学、阿德莱德大学、日本早稻田大学等研究机构主办，极市平台提供技术支持的国际性赛事，数据集总共包含了55w训练数据(120G)，10w测试数据，数据均来自于网上，包含大量的动物和植物，总计5000个类别，具体链接：https://www.cvmart.net/race。

  

二、数据分析

数据分析是无论是做比赛还是做项目都是非常重要的一个环节，对数据做可视化和量化对于后续的模型优化走向很有帮助，为此我们做了几个简单的分析如下：

1. 数据刚拿到的时候做了一个简单的reveiw，发现训练数据中有很多的噪声和脏样本，这一点对于后期模型的训练有很大的影响。

   

2. 由于数据是从网络中爬取下来的，做了url校对，发现有2w的图片出现在不同的类别中，大概6w左右具有二义性的图片(同一张图片，存在两个或者两个以上的label)。

3. 对训练数据和测试数据做了url的校验，发现没有存在重复的图片id。(ps:官方这方面做的还可以)

4. 对数据类别样本的占比进行了分析，属于长尾分布，每个类别超过200样本的占比不到10%，100-200样本的占比50%，80-100的占比是40%，剩余的部分是少于80张样本的类别。整体看来长尾分布不算很极端，数据集中在中部地区。

   

三、baseline

1. cub-baseline

为了先获取一些细粒度对应的baseline，先在cub-200-2011数据集上训练了几个模型(毕竟我没卡TT):

• 对齐了resnet50_448标准baseline的结果84.56。

• 训练了efnet一系列的模型，cub上的结果如下:

  

• 初步结论：

1. 通过调整r50-448的模型，调好了第一个版本的数据增强的方法，随机crop，翻转，旋转，colorjitter。
2. 对于同样的模型，使用448的分辨率效果远远好于224的分辨率。
3. 模型越大，效果越好。

2. accv-baseline

有了上面的一个初步的结论，我先尝试了cub的数据增强方法，迁移到accv的数据上，在r50-448上得到了一个初步的结果，大概是42左右(小数点不记得了TT),然后有了下面的一系列的调参的工作:

• 使用全量数据进行训练，不进行train-val的划分，主要考虑的是验证数据和测试数据不是ddp的分布，而且缺部分数据会导致性能下降，使用最后一个或者是倒数第二个ckpt作为最终的ckpt。
• 先使用mixup后使用了cutmix，cutmix效果好于mixup。
• cutmix和labelsmooth配合一起使用。
• 训练epoch从25个调整为40个。
• 使用cosinelr来衰减学习率。
• 使用带有动量的sgd优化。
• 使用imagenet做初始化，去掉warmup，使用0.1的初始学习率，调大weight-decay为5e-5。无效的尝试
• amsoftmax做feature的head，只进行了一次调试，没有效果就没有再继续尝试(理论上应该是有效的，主要因为没有时间和机器来调试)。
• FocalLoss，网上找了一些关于focalloss多类别的实现，效果不是很好，所以写了一个简单版本的，使用了发现没有涨点也没有掉点。
• 带有weights的celoss，weights的方法是采用了类别的samples占比的倒数，没有提升。
• autoagumenet，直接使用imagenet的policy的增强，没有提升。

最终，r50 baseline一顿操作以后达到了47-48这样的一个水平，有效的方法迁移到其他的模型。

四、优化方向

有了上面的一些数据分析和模型经验，排了一个优化方向的优先级以及一些实验：

1. 数据

   无论什么任务数据都是最重要的一个环节，前面的数据分析已经知道了数据中存在大量的噪声和混淆，所以尝试了几种数据清洗的方法。

• 聚类，用模型获取feature后，对每个类别的feature进行聚类，聚2个类，哪个类别的数据量多就选哪个做为正例，同时按正负样本的比例进行少量负例采样(大概是10%)。
• 检索, 先找出来十几个噪声case，使用feature的余弦距离进行检索，设定阈值和检索最大数量。
• cleanup, 使用cleanup找noise样本和离群样本。
• 丢弃，直接丢弃小于48x48像素的图片，直接丢弃二义性的图片。

1. 模型

   模型考虑是越大越好，越新越好，调参越少越好(再一次留下了贫穷的泪水TT)，尝试了几个系列的模型。

• RegNet, regnety12GF, regnety32GF
• SeResNet, seresnet154
• EfficientNet, efficientnet-b4, efficientnet-b5
• resnest, resnest101, resnest200, resnest269
• inception,inception-v3（inaturelist pretrain）

2. 算法

   算法是最后考虑优化的一个点，调研了很多细粒度方面的文章，基本上核心思想就是不单单要获取整图的feature还要获取各部分part的feature，带来的计算量很大，训练一个r50的时间都要非常久，对于比赛来说收益不高。

• pmg，跑了一下北邮的这个方法，花了一周的时间，效果没有r50-448的baseline效果好。
• Decoupling Representation and Classifier for Long-Tailed Recognition， 固定feature表达后，resample少量数据后进行finetune FC，可以提升一个点左右。
• LDAM-Loss，loss有超参，不太好调整，配合labelsmooth会nan。
• Pseudo-Label，把二义性的数据用模型打上了标签，进行训练，没有提升。
• MaxPool+AveargePool，两个pool的feature进行concat后接FC，没有显著提升。
• FixResolution，对比赛的数据提升不大，但是实际工作上有大概1个点的提升。

3. 集成

   集成是比较重要的一个环节，理论上单模型的精度越高，单模型之间的一致率越少，模型数量越多，集成的结果越好。

• vote，多个模型logits取众数，如果没有众数，取argmax最高的那个score的作为预测标签。
• mean，多个模型logits取均值，直接1:1加权。
• median，多个模型logits取中位数。
• size，同模型，同数据，不同的size预测结果的logits相加。
• concat， 固定feature，多个模型的feature做concat后，finetune新的FC。

• bilinear，多个模型feature进行split后进行bilinearpool计算，不仅速度慢，还掉点了，emmm。

• 结论1：比较work的方法基本上就是使用大的size进行finetue，其余的方法可以认为是误差导致没有提升或者微妙的提升。

• 结论2：检索和丢弃对于提升比较大，聚类和cleanup不好调整。

• 结论3：模型越大效果越好，成本越高(TT)。

五、模型方案

• 前期就是baseline模型调参和一些算法实验

• 中期就是尝试各种算力范围内的模型，efnet系列，regnet系列，efnet-b5和regnet-12gf进行ensemble后在测试集上有55-56的准确率。

• 中后期尝试resnest200,efnet-b5,regnet12gf进行ensemble后再测试集上有58的准确率。然后开始使用r200模型来做数据清理的操作，检索一次，跑一次，“滚雪球”一样搞来搞去，搞了3次，大概清洗了1w左右的噪声样本，然后又祛除了二义性的样本，55w的训练数据变成了47w，数据分布情况如下：

• 后期基本上采用的就是resnest一系列的模型，使用最新清洗的训练数据训练了3个模型，resnest101-v3，resnest200-v3，resnest269-v3。同时使用resnest269模型训练了3个不同版本的训练数据，总计6个模型，三个同数据不同结构的模型，三个同结构不同训练数据的模型。

• 快结束了换了测试数据，所以全重新测了一遍，448训练对应的最好测试尺寸应该是512，所以做了一个448+512的集成，测试结果如下：

• 448 + 512 -> resnest269 60.895
• 448 + 512 -> resnest200 61.145
• 448 + 512 -> resnest101 58.17

• 把数据集成模型和不同结构集成模型最终做了一个集成，有63左右的准确率。对不同结构模型做tta处理后有将近64的准确率。

• 后面使用集成模型对测试数据的结果拿来做伪标签，重新训练三个模型，结果如下：

• r101 448 + 512 -> 60.648
• r200 448 + 512 -> 61.692
• r269 448 + 512 -> 62.397

• 最终集成的结果是64.587。

六、不足

1. 模型大小直接影响结果，所以最开始不应该在小模型上进行实验，很多的算法小模型上work并不代表大模型也上work。
2. 单模型没有训练饱和，我的训练方法是固定iter总数不变，调整训练的epoch和batchsize，使得，这个方法可以保证快速达到预期的效果，但是还是不能达到模型的上限。
3. 使用的同一系列的模型结构，同系列的模型结构存在的问题是对于feature的关注能力是相似的只是量级不同，所以对于ensemble来说，收益不会很高(使用resnest系列纯粹是因为我业务模型也用的这个，不想逃离舒适圈而已)。
4. 没有使用更大的size进行从头训练，我都是用大的size来进行finetunefc或者最后一个stage，所以提升比较小，不过用更大的size耗费的时间更多。
5. 没卡，没时间，没人力。

七、TODO

1. 数据刚拿到的时候，存在部分数据的前景和背景难以分清，所以考虑用显著性检测的方法来先进行处理，得到mask以后把背景去掉，原图和前景一起输入网络进行训练，方案想好了，还没有尝试，主要没空。建议看一下poolnet的方法，个人感觉还是挺不错的。
2. 考虑了把图片进行拼图处理，然后和原图一起输入网络，也没空跑。
3. 下好了inature的数据集和butterfly的一个18w的数据集，准备想做无监督的训练，来获取一个细粒度的pretrain的feature，没卡跑。
4. 考虑avgool接一个新的512维的fc来做一个constrast loss，结合ce训练，没空跑。
5. 更大更强的模型，efficientnet-l2，emmm，跑不动。
6. ensemble考虑使用xgboost和randomforest进行二次集成，实在是累了就没做。
7. 伪标签，自蒸馏滚雪球，嫌麻烦就做了一次。

八、结束语

中后期我还是top-3左右，后面就被大佬们刷测试集给刷没影了，时间，人力还有机器对于结果的导向是显而易见的，预估一下最后的排名大概15名前后吧。不过相比于结果，过程更加重要，在不耽误正常工作的情况下，参加这个比赛，还是锻炼了自己的“炼丹水平”，也对部分知识进行了扩展性学习，受益匪浅。

最后附上训练代码的https://github.com/FlyEgle/cub_baseline，欢迎大家交流和指教，有打比赛的也可以找我~。