tricks:图像分类涨点

原文：https://mp.weixin.qq.com/s/mIBhQitG_BbPZlbByc-GqQ

涉及比赛：

1. Intel Image Classification：https://www.kaggle.com/puneet6060/intel-image-classification
2. Recursion Cellular Image Classification：https://www.kaggle.com/c/recursion-cellular-image-classification
3. SIIM-ISIC Melanoma Classification：https://www.kaggle.com/c/siim-isic-melanoma-classification
4. APTOS 2019 Blindness Detection：https://www.kaggle.com/c/aptos2019-blindness-detection/notebooks
5. Diabetic Retinopathy Detection：https://www.kaggle.com/c/diabetic-retinopathy-detection
6. ML Project — Image Classification：https://www.kaggle.com/c/image-classification-fashion-mnist/notebooks
7. Cdiscount’s Image Classification Challenge：https://www.kaggle.com/c/cdiscount-image-classification-challenge/notebooks
8. Plant seedlings classifications：https://www.kaggle.com/c/plant-seedlings-classification/notebooks
9. Aesthetic Visual Analysis：https://www.kaggle.com/c/aesthetic-visual-analysis/notebooks

涉及方向：
数据、模型、损失函数

可修改目录如下（具体见链接）：
一、数据：
1、数据预处理：提高图像质量，以便更好处理
2、EDA：分析并总结数据集特征
3、数据增强：生成更多图像

二、模型：
1、较好的baseline模型：如efficientnet、inception等
2、训练过程
3、超参数调试
4、正则化

三、损失函数：
1、常用损失函数
2、评估+错误分析

具体：
一、数据：
1、数据预处理：提高图像质量，以便更好处理
2、EDA：分析并总结数据集特征
3、数据增强：生成更多图像

二、模型：
1、较好的baseline模型：如efficientnet、inception等

2、训练过程

3、超参数调试
即学习率、epoch的数量、hidden units的数量、batch size大小等
可以通过使用hyperparameter调优库，比如Scikit learn Grid Search，Keras Tuner来自动化这个过程，而不是去手动配置。这些库会在你指定的范围内尝试所有的hyperparameter组合，返回表现最好的模型。

4、正则化
Adding or changing the position of Batch Norm： https://www.kaggle.com/allunia/protein-atlas-exploration-and-baseline
Weight regularization：https://www.kaggle.com/allunia/protein-atlas-exploration-and-baseline
Gradient clipping：https://www.kaggle.com/allunia/protein-atlas-exploration-and-baseline

三、损失函数：
1、常用损失函数

2、评估+错误分析
TTA：https://www.kaggle.com/iafoss/pretrained-resnet34-with-rgby-0-460-public-lb
Grad CAM：https://arxiv.org/pdf/1610.02391v1.pdf
Tracking metrics and Confusion matrix：https://www.kaggle.com/vincee/intel-image-classification-cnn-keras