该数据集包含6个常见天气类别的60000张图像,这些类别包括晴天,多云,下雨,下雪,薄雾和雷雨天气。
各类天气图片数量:
http://vcc.szu.edu.cn/research/2017/RSCM.html
数据清洗与可视化分析
我对上面的图片数据集进行了一个大致的整理,有一些图片我自己都分不清楚是什么类别,干脆手动删除,打算做5个分类:haze 、 lingting 、sun snow、 cloudy,但是编号是个问题,下面使用python 进行了编号处理,方便得很
解决方案
针对本次赛题的任务特点,我们团队采取了Swsl_resnext101_32x8d 网络作为Backbone。同时创新性的引入了CBAM注意力机制, Label Smooth(标签平滑),OHEM(在线难例样本挖掘),Arc-Loss等诸多创新设计,使得我们的单模就能达到线上84.3+的F1-score,从比赛一开始就遥遥领先其他队伍。兼顾了速度和精度,具有很高的实际应用价值,同时,通过最终的模型融合,更是达到了线上84.7+的精度。
主干网络(Backbone)选取
2020年NeurIPS 中的一篇工作:Rethinking the Value of Labels for Improving Class-Imbalanced Learning中针对数据类别不平衡(也泛称数据长尾分布)下的分类问题进行研究并指出,如果直接把类别不平衡的样本丢给模型用于学习,模型会在major classes(在本次比赛中即“晴朗”类别)的样本上的学习效果更好,而在minor classes(“多云”)上泛化效果差。同时该工作指出半监督和自监督均能显著提升不平衡数据下的学习表现,因此团队采用半弱监督模型swsl_resnext101_32x8d作为本次比赛的backbone。由于数据集中存在大量的干扰背景,真正对最终分类结果影响较大的区域占比较小,因此团队在原始的swsl_resnext101_32x8d的基础上添加注意力机制模块CBAM,让模型能够更有效的学到关键区域。
数据增广选择
本次比赛中训练集的数据量大,训练集和测试集的分布基本一致,训练集的样本种类丰富。因此团队仅采用了两种常见的数据增广方案,只在图像的尺寸等方便进行增广,力求在不破坏图像原有特征的基础上进一步提高模型的泛化能力。
上分tricks
搭建完基本的Backbone并选取合适的增广策略之后,为进一步提高团队所用模型在数据集上的泛化能力,团队根据模型在数据集上的线下线上表现选择一些特定的Trick,这些创新方案也是我们团队能一直遥遥领先其他团队的关键所在。
Label Smooth(标签平滑)
在常见的多分类问题中,网络输出先经过softmax处理后进行交叉熵计算Loss,为了使得网络对测试集预测的概率分布和其真实分布接近,常用的做法是使用one-hot对真实标签进行编码,而这种将标签强制one-hot的方式使网络过于自信从而会导致过拟合发生,因此团队选择用Label Smooth来软化这种编码方式。
OHEM (在线难例样本挖掘)
经过线下实验发现,团队采用的模型在训练过程中针对“cloudy”类别表现较差,如下图所示。因此为进一步提高对该类别的鉴别能力,团队采用OHEM来进一步提高模型能力。OHEM最初在目标检测任务中提出,但是该思想在所有任务中都通用,团队选取当前batch中Top k大的loss的均值作为当前batch的loss进行梯度的回传, 提高batch中hard sample对网络更新的作用。并实验发现该种方法能够有效提高对“cloudy“的鉴别能力。
CBAM注意力机制
前面谈到过由于数据集中存在大量的干扰背景,真正对最终分类结果影响较大的区域占比较小,因此团队在原始的swsl_resnext101_32x8d的基础上添加注意力机制模块CBAM,让模型能够更有效的学到关键区域。
训练细节和线上精度变化 训练细节
线上F1分数: