出炉了！计算机视觉—视频质量评价竞赛经验分享：排名十八线的我

在最近的视频质量评价竞赛中，我很幸运地取得了倒数第二名的成绩。在这篇博客中，我将分享我的经验和教训，希望能对其他想要参加类似比赛的人有所帮助。

我的成绩

首先，让我们来谈谈我的成绩。我在比赛中排名18，最终结果如下图所示。虽然我进入倒数三名，但我对我的成绩还是比较满意的，至少还是有个成绩的。

做得好的地方

我在比赛中做得很好的地方有以下三个方面：

1. 对视频质量评价领域做了详细的调研
   在参加比赛之前，我做了大量的调研，了解了视频质量评价领域的最新进展和主流方法。我使用了baseline框架SimpleVQA和目前主流的FasterVQA以及DOVER框架进行训练，这些框架都是经过验证的有效方法。
2. 使用交叉验证来弥补我未参与验证集排行榜的问题
   由于一些原因，我在比赛中未能参与验证集排行榜。为了弥补这个问题，我使用交叉验证来验证我的模型，并在训练过程中对模型进行了调整。这样，我能够更准确地评估我的模型的表现，并且避免了过拟合的问题。
3. 参考使用合适的数据增强和ten crop测试的方法提高结果
   我使用了一些常用的数据增强方法来提高我的模型的性能。在测试阶段，我也使用了ten crop测试的方法来获得更准确的结果。这些方法都是经过验证的有效方法，可以帮助我在比赛中获得更好的成绩。

不足之处

虽然我在比赛中取得了不错的成绩，但我也犯了一些错误。以下是我在比赛中的不足之处：

1. 尽早准备和参赛
   我在比赛前没有充分准备，导致我错过了验证集比赛榜。这使我很难确定我的模型的好坏和有效程度。因此，我建议其他参赛者要尽早准备和参赛，以充分利用比赛的时间和资源。
2. 错误的决策
   在比赛的三天时间里，我使用了三个主流框架训练，但因交叉验证结果中baseline结果最好，直接放弃了其他两个框架模型。但从最终发布的结果来看，使用DOVER的结果明显更好，主要原因是backbone使用的swin transformer，能提取到更丰富的特征进行表征。因此，我认为在做出决策之前，需要更充分地评估不同模型的表现和特点。
3. 将常用的、有效的方法加入模型
   虽然我使用了一些常用的方法来提高我的模型的性能，但我认为我还可以做得更好。例如，多模型融合、数据增强（在验证阶段验证哪些增强方式有效）、交叉验证和ten crop等方法都可以帮助我进一步提高我的模型的性能。

结论

通过这次比赛，我学会了很多东西。我学会了如何做好准备、如何评估模型的表现、如何选择合适的方法和工具等。我相信这些经验和教训对我今后的学习和工作都会有所帮助。我也希望我的经验和教训能够对其他人有所启发和帮助。

同时，最近华为云刚举办了一个视频动作识别的比赛，如果感兴趣可以积极参与进来，我也会持续分享参与这个比赛的过程！

如果你也是做计算机视觉研究，身边没有同学能一起讨论交流，也没有明确目标，那就参与到这次比赛中来，增加经验，同时也能和高手竞技，对于自己的技能提升非常有帮助，如果一不小心还得了个奖，那就赚大发了！

如果对比赛感兴趣，一定要持续关注我的博客，欢迎点赞、评论！