赛题任务 : 语义分割任务
赛题思路 : 构建深度学习语义分割模型完成
步骤1: 基本的语义分割模型 (FCN或UNet )、损失函数，跑通流程
步骤2 : 根据交又验证训练多个模型，完成模型结果集成
步骤3 : 对预测闻值进行搜索&可视化，改进损失函数&模型结构
步骤4 :寻找外部数据，构建预训练模型
步骤5 : 对测试集进行预测，进行伪标签训练
Epochs（周期）： 一个 epoch 表示模型训练过程中，将训练数据集中的所有样本都用于训练一次的次数。训练一个神经网络模型通常需要多个 epoch，因为每个 epoch 都可以使模型逐步调整权重和参数，以更好地拟合训练数据。在每个 epoch 中，模型会对整个训练数据集进行前向传播、反向传播和参数更新。较小的 epoch 数可能导致模型欠拟合，而较大的 epoch 数可能导致过拟合。
Batch Size（批大小）： Batch size 表示每次模型训练中使用的样本数量。在每个 epoch 中，训练数据集会被分割成多个大小为 batch size 的小批次（mini-batches）。模型的参数更新是根据每个小批次的损失函数来进行的，而不是在整个训练集上计算损失。通过使用小批次进行训练，可以加快训练过程，同时还可以利用硬件加速，如GPU的并行计算能力。较大的 batch size 可以利用硬件性能，但可能导致训练过程中的内存占用增加。
数据集( 训练集与验证集 )划分方法先切分到小尺寸，然后随机划分为训练集和验证集按照文件划分训练集和验证集，然后再切分
模型训练过程的细节:
模型网络结构 ( FCN 或 Unet，CNN网络结构 );
损失函数( Dice loss、 BCE loss )
数据切分过程
数据扩增方法
改进细节：
数据读取&数据扩增 :
按照文件读取，按照文件划分为训练集和验证集;
将没有mask的文件加入训练集
增加更强的数据扩增方法
将数据存储为jipg，方便下次使用
网络模型 :
使用UNet代替FCN，并尝试EffecientNet作为网络结构C加入SPP网络结构
训练与验证
验证精度不能单张计算Dice score，整张图计算更为精确
Dice loss不适合加入训练，不平滑
模型预测 :
多折模型集成精度收益 >单折TTA :
多折模型的预测闽值可以加入搜索过程
比赛进化路线
The Right way
构建比赛线下验证集，每个TIF是一折验证集(多模型集成) ;
闯值可视化与搜索函数
寻找合理的TIF拆分方法，到256、512和1024尺寸
寻找更加合适的损失函数和评价函数( 与线上一致 )
寻找更合理的模型结构
寻找更合适的结果集成方法
寻找外部数据，用于预训练
使用测试集完成伪标签训练，对公开测试集进行标注