0
| 本文作者： 張康康 | 2019-01-18 16:49 |
雷鋒網(wǎng)按：本文由極鏈AI研究院投稿。
近期，由Kaggle主辦，Leica Microsystems和NVIDIA贊助的HPAIC（Human Protein Atlas Image Classification）競賽正式結(jié)束。比賽為期三個月，共有來自全球的2236個隊伍參加，極鏈AI研究院與工程院最終獲得挑戰(zhàn)賽金牌。
蛋白質(zhì)是人體細胞中的“行動者”，執(zhí)行許多共同促進生命的功能。蛋白質(zhì)的分類僅限于一種或幾種細胞類型中的單一模式，但是為了完全理解人類細胞的復(fù)雜性，模型必須在一系列不同的人類細胞中對混合模式進行分類。
可視化細胞中蛋白質(zhì)的圖像通常用于生物醫(yī)學(xué)研究，這些細胞可以成為下一個醫(yī)學(xué)突破的關(guān)鍵。然而，由于高通量顯微鏡的進步，這些圖像的生成速度遠遠超過人工評估的速度。因此，對于自動化生物醫(yī)學(xué)圖像分析以加速對人類細胞和疾病的理解，需要比以往更大的需求。
雖然這是生物學(xué)方面的競賽，但是其本質(zhì)是機器視覺方向的圖像多標簽分類問題，參賽隊伍也包括許多機器視覺和機器學(xué)習(xí)領(lǐng)域的競賽專家。
官方給我們提供了兩種類型的數(shù)據(jù)集，一部分是512x512的png圖像，一部分是2048x2048或3072x3072的TIFF圖像，數(shù)據(jù)集大概 268G, 其中訓(xùn)練集：31072 x 4張，測試集：11702 x 4張。
一個蛋白質(zhì)圖譜由4種染色方式組成(red，green，blue，yellow)，圖像示例如下：
我們將4個通道合并成3通道（RYB）可視化的圖像如下所示：
在本次競賽中一共有28個類別，比如 Nucleoplasm、Nuclear membrane等，每個圖譜圖像都可以有一個或者多個標簽。標簽數(shù)量統(tǒng)計如下：
可以發(fā)現(xiàn)標簽數(shù)量集中在1-3個，但是仍然會有圖像有5個標簽，給比賽增加了一定的難度。
另一方面的難點是數(shù)據(jù)集中樣本數(shù)量很不均勻，圖像最多的類別有12885張，而圖像最少的類別只有11張圖像，這給競賽造成很大的困難，樣本數(shù)量分布情況可以在圖中看出。
在比賽過程中逐步有參賽者發(fā)現(xiàn)官方的額外數(shù)據(jù)集HPAv18，并得到官方授權(quán)，這些數(shù)據(jù)集有105678張，很大程度的擴大了樣本數(shù)量，同時給我們提供了很大的幫助。
硬件方面我們使用了4塊NVIDIA TESLA P100顯卡，使用pytorch作為我們的模型訓(xùn)練框架。
HPAv18 圖像與官方給出的圖像有一定的差別，雖然也是由4中染色方式組成，但是每個染色圖像是一個RGB圖像，而不是官方的單通道圖像，而且RGB三個通道的值差別較大，我們對這些圖像做了預(yù)處理，對每個RGB圖像只取一個通道（r_out=r,g_out=g,b_out=b,y_out=b）,并將這些圖像縮放到512x512和1024x1024兩種尺度。
對于TIFF文件，我們用了一周的時間把這個數(shù)據(jù)集下載下來，然后將所有圖像縮放到1024x1024。
我們比賽中使用的增廣方式有Rotation, Flip 和 Shear三種；因為我們不知道一張圖像中的多個細胞之間是否有關(guān)聯(lián)關(guān)系，所以比賽中沒有使用隨機裁剪的增廣方式。
我們最終使用的基礎(chǔ)模型有Inceptionv3，Inceptionv4以及Xception三種，比賽前期我們測試了VGG，ResNet，ResNext，SeNet，但是效果不是很好，因此比賽末期沒有再進行進一步測試。
我們使用了512，650和800三種尺度來增加網(wǎng)絡(luò)對圖像的理解，另外每個尺度進行10折交叉驗證，保證驗證集的劃分對網(wǎng)絡(luò)整體的影響，以及用驗證集來評估模型預(yù)測的好壞和選擇模型及其對應(yīng)的參數(shù)。不同模型交叉驗證時使用不同的隨機種子劃分驗證集和訓(xùn)練集，以盡可能多的學(xué)到不同的樣本組合。
Inceptionv3和Inceptionv4的512的結(jié)果不好（0.55+ public leaderboard 閾值0.15），因此沒有做交叉驗證，只是用512尺度訓(xùn)練了基礎(chǔ)模型，并用在650和800的微調(diào)中。
模型修改：
1.第一層卷積的輸入通道數(shù)由3修改為4，保持其他卷積參數(shù)不變，從而使網(wǎng)絡(luò)應(yīng)對4通道輸入；
2.修改最后一的池化層為全局池化層，保證在多尺度時可以使用同一個網(wǎng)絡(luò)；
3.全局池化后增加一層128的全連接，然后接一層28的全連接。
訓(xùn)練過程的參數(shù)如下：
loss: MultiLabelSoftMarginLoss
lr: 0.05(512,imagenet 預(yù)訓(xùn)練)，0.01(650和800，512預(yù)訓(xùn)練);
lrscheduler: steplr(gamma=0.1,step=6)
optimizer: SGD (adam,rms not well)
epochs: 25, 600和800一般在12-20直接提前結(jié)束，取loss最低的模型
10 folds CV
sampling weights：[1.0, 5.97, 2.89, 5.75, 4.64, 4.27, 5.46, 3.2, 14.48, 14.84, 15.14, 6.92, 6.86, 8.12, 6.32, 19.24, 8.48, 11.93, 7.32, 5.48, 11.99, 2.39, 6.3, 3.0, 12.06, 1.0, 10.39, 16.5]
scale：512，600，800
為每一個類別找到一個合適的閾值是一件很困難的事，但是多閾值是提升分數(shù)的關(guān)鍵，對我來說，大概可以提升0.005~0.008。 我們使用驗證集來找閾值，我們訓(xùn)練單模型xception 512 ，驗證集占13%。調(diào)整每一類的閾值使得f1 score達到最優(yōu)，不過我們發(fā)現(xiàn)稀有類別的閾值普遍很高，public lb會變差，因此我們只調(diào)整了驗證集1000張以上的類別，稀有類別控制閾值為0.15 通過這種方法找到的閾值在其他模型或者集成的時候同樣有效。
比賽結(jié)束以后我們將比賽中訓(xùn)練的模型重新提交查看private leaderboard成績，得到如下結(jié)果:
比賽過程中我們發(fā)現(xiàn)做了10 fold ensemble不一定比single fold好，因此我們在最終集成的時候部分模型只選擇了部分fold （根據(jù)loss選擇）。
我們使用檢索的方法（特征使用inceptionv4 800 的128維特征）查找test與hpa相似的圖片，使用余弦相似度進行度量，我們發(fā)現(xiàn)了許多相似的甚至相同的圖片，直接使用相似度最高的300張圖片的結(jié)果進行替換，分數(shù)在public lb上提升0.01~0.015，不過在private LB中并沒有效果，官方在比賽過程中也說明部分test圖像由于與HPA中部分圖像重合，不再進行分數(shù)計算。
我們將inceptionv3 inceptionv4以及xception 800的10fold 模型的特征進行concat（先進行l(wèi)2），得到3840維的新特征，并在此基礎(chǔ)上設(shè)計了2層的全連接網(wǎng)絡(luò)進行訓(xùn)練, 并做10 fold CV，訓(xùn)練過程中使用不容參數(shù)訓(xùn)練過程如圖所示，我們?nèi)×薼oss最低的參數(shù)。結(jié)果融合后private lb:0.55150 public lb:0.62791。
雖然上面方法在public lb上分數(shù)較高，但是當與其他模型結(jié)果融合時，public LB的分數(shù)反而降了，因此我們降低了這個模型的權(quán)重。
最后的結(jié)果是通過加權(quán)融合的方式得到的，權(quán)重根據(jù)模型的public lb分數(shù)設(shè)置， inceptionv4 800和inceptionv3 800的權(quán)重最高，xception 650 最低，同時也用到了inceptionv4、xception其他尺度的部分fold。
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
