kaggle-competition-Humpback-Whale-Identification-Challenge

本次竞赛要解决的问题是，通过识别图片中的鲸鱼尾巴，实现对鲸鱼种类的分类，属于一个多分类问题
提供的数据集包括9850张训练图片（4251个种类）和15610张测试图片。
这是本人第一次参加的比赛，最终以0.45426的分数，排名45th/528，top9%

环境说明：

tensorflow-gpu:1.4.1
keras-gpu:2.0.5

文件说明：

• input: notebook文件需要的输入
  
  • humpback-whale-identification-model-files: Whale Recognition Model with score 0.78563.ipynb需要的文件
    
  • train.csv: 原始训练集标注文件
    
  • train_aug.csv: Keras_lb_0.38_to_0.42_cut_aug.py使用的经过裁剪，以及数据增强后的训练集标准文件
    
  • original_image.csv: 测试集中与训练重复的鲸鱼图片（生成测试数据时，这些结果相当于提前知道答案的）
    
  • annotations_9850.csv: 使用RetinaNet进行Object Detection后，对训练集定位的结果（存在5%的错误）
    
• notebook: .ipynb和.py文件，不同的方法所对应的代码文件，具体代码所用的方法在下面给出说明：
  
  • Whale Prediction Using Resnet-50.ipynb :使用Resnet-50作为基础网络模型，输入数据为三元组，损失函数为三元组损失，使用imgnet预训练模型，生成test数据使用KNN。
    
  • Keras_lb_0.38.py: 在上面的基础上做出少量改动。
    
  • Keras_lb_0.38_to_0.42.py: 在上面的基础上，生成test使用欧氏距离（并没有什么提升），在生成测试数据时修改new_whale类别的权重为0.00（越小代表距离越近），并且保证如果有原图，则原图作为第一结果输出，其他情况，new_whale作为第一结果输出，score会达到0.42
    
  • Keras_lb_0.38_to_0.42_cut_aug.py: 在上面的基础上，使用经过裁剪（使用RetinaNet进行Object Detection），以及数据增强后的训练集来训练模型（triplet_model_cut_aug_weights.best.hdf5）用裁剪后的测试集生成测试数据，调整new_whale类别的权重，并将生成的结果与测试集中存在训练集原图的情况进行合并（original_image.csv）
    
  • Whale Recognition Model with score 0.78563.ipynb: 本次比赛第一名的做法，已经将个人的理解以及部分步骤的解释写入该文件中，使用孪生网络，并且在生成用于训练的训练图片对时，有很大的技巧，在判断测试集与训练集的重复图片时，使用哈希感知。
• checkpoint: 存放训练好的模型
  
  • triplet_model_cut_aug_weights.best.hdf5: 经过裁剪，以及数据增强后的训练集来训练模型
    
  • resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5: ImageNet预训练模型
    
• utils: 其他工具脚本
  • merge_original_img.py: 将eras_lb_0.38_to_0.42_cut_aug.py生成的测试结果与测试集中重复的鲸鱼图片融合。