字节跳动安全Ai挑战赛-基于文本和多模态数据的风险识别总结
本次比赛是最近比较火热的多模态比赛，业务和数据比较接近真实场景，任务比较有趣。我们队伍“石碑村”，队员有华仔、致Great，最终决赛取得第五名成绩，下面主要给大家分享下我们队伍的建模思路和方案，希望能够对大家有所帮助。
1 初赛方案
1.1 赛题描述
抖音APP中的抖音号水印是识别视频搬运的重要依据，很多黑灰产、搬运用户等会给搬运的视频进行低分辨率处理，以逃避搬运审核。根据低分辨率图像识别出该视频中包含的抖音号。
例如下面图片的抖音号为：6xdRyPM5TS
1.2 赛题指标
准确率(acc):输出的抖音号与真实抖音号标签完全一致，则表示该样本正确，否则为不正确。(注：由于低分辨率抖音号识别的人工矫正成本很高，所以本比赛优先使用准确率作为评估标准，而不是使用编辑距离)
1.3 解决方案与思路
我们初赛思路如下：
蒙版匹配：用opencv中传统的蒙版匹配方法，蒙版设置为“抖音号”三个字。根据阈值设置，将匹配比较好的几千张用于训练第二阶段的目标检测模型。
目标检测：用YoloX训练目标检测模型，将检测出来的框用于第三阶段的OCR识别。
OCR：采用CRNN+CTC进行OCR识别。
初赛总结是我们采用常规的思路先定位后识别，由于时间太紧，其他方法没时间尝试 开销太大，应该有不用定位的方法。
2 决赛方案
2.1 赛题描述
创作者为视频创作标题或添加文字时，基于种种目的，这些文本信息往往存在不规范的情况。因此，需要一个较为通用的模型对不规范的文本进行文本信息还原。
赛题指标
得分为百分制，分数越高成绩越好：
2.2 解决方案与思路
数据预处理 (1) 将文本数据中的emoji替换成还有特定含义的字符串，这里“含义”可以通过以下两种方式获取： 基于训练语料，构建每个emoji的对应词库 基于emojiswitch将emoji转换成中文含义
(2) 然后将emoji替换成中文明文，根据预训练模型分词的特点，我们采用以下的拼接方式：
模型微调 基于Bart模型进行emoji翻译任务或者理解为文本生成、文本纠错任务等
后处理 基于原始数据还原被额外修改的字符，大致思路如下：��（1）判断emoji中所在位置 （2）根据emoji位置判断前后的字符是否被修改 （3）如果存在额外字符被修改，那么进行还原
3 前排思路
答辩的时候看了下前排的思路，主要提分思路有： （1）对抗学习，对embedding层添加扰动，基于fgm进行对抗学习 （2）提高模型泛化：ema，rdrop可以提升效果 （3）bart模型的超参数比较重要 （4）还有重要的一环是模型融合：生成任务的话融合方式常见有概率融合和投票融合
4 比赛总结
1.将赛题任务转换为文本生成任务，并且将emoji预先转换为明文，能够提升模型效果； 2.后处理能够提升效果，但是时间不足尝试较少；另外Bart模型基本裸跑，后续提分不足
- 最后感谢字节跳动提供的数据与比赛任务