“数字人体”宫颈癌风险智能诊断大会小结

录播链接: link.
本次大赛分为初赛和复赛，旨在运用目标检测方法定位到病变细胞区域。初赛阶段只标注阳性细胞，未区分具体的阳性细胞类别，复赛分为主赛道和VNNI赛道，主赛道再初赛的基础上进一步区分类别。VNNI赛道旨在运用intel公司开发的量化工具，对模型进行量化，提高模型在特定CPU上的推理速度。

一、主赛道

本次比赛的难点：病变区域尺度不均衡，大目标和小目标并存；负样本的利用问题；阳性类间差距小、易混淆。
框架模型：除第一名之外，大多利用anchor-based的模型，cascade的head
尺度不均衡：1.统计数据，设置合理的anchor。2.多尺度训练，多尺度预测。（768-3000）3.常用的一些trick：ASPP，DCN，BiFPN。 4.使用HRnet：多尺度特征的融合 5.多模型融合
负样本的利用：1.OHEM增强对困难样本的学习，混合训练进一步混合简单样本。2.focal loss 3.GHM梯度均衡机制，进一步改善难易样本不均衡问题。
阳性类间差距小：1.结合先验知识 2.训练专家模型（不仅仅只用某一类，所有数据都使用）

不完全技术细节：

二、VNNI赛道

除模型量化外，其他的速度提升：
1.模型选择：一阶段的模型速度更快
2.模型优化：剪枝
3.读图、裁图、预测：多进程、异步模式，生产者消费者模式。
4.其他：a.随机加权平均SWA的方式多次预测 b.10x训练和预测

三、评委

1. 小patch可以拼接大目标
2. SoftTriple Loss：细粒度识别任务，嵌入空间中尽量接近