文章作者对某超分比赛的组织方式提出批评，认为过于重视学历背景。方案上，他们采用了基于RDN的Backbone，结合“左脚踩右脚”（半监督学习）和“梯度攻击”的策略来提升模型性能。建议非985计算机专业的学生谨慎参与。作者计划赛后开源代码。
吐槽篇
正文内容.正式讲述方案之前，容我先吐槽两句，真tm的是××比赛，纯纯ex人。学历厂就别打着以赛招聘的口号，要985计算机的直接去他们学校里宣讲嘛，不掉价，干嘛开个比赛呢！
直接比赛报名的时候限制死学校和专业不就行了，非得拉着211和一本的大伙们搞纯爱，别这样搞，纯爱选手真的很难受。
另外还有建议，如果是985本硕计算机对比赛感兴趣，完全可以拉着实验室一起报名拿保底offer，既能带妹又能造福整个实验室何乐而不为的，毕竟复赛也只看学历对吧。比赛榜单：https://zte.hina.com/zte/image/final。
希望中兴捧月能不要有这么浓厚的学历qs，也祝愿后续的参赛选手能获得真正意义的公平竞争的机会
方案篇
我们的方案是基于RDN的Backbone，所以效果会稍微逊色于一二名的HAT。主要采用的是左脚踩右脚以及梯度攻击两个思想。
一、左脚踩右脚
类似于半监督的思想，毕竟真正参赛的大伙知道，这个比赛前期DL不如双线性插值，那么如何在让我们选取的baseline快速超过双线性插值的效果成为重要的前提。
解决方法第一步就是找右脚,第一步的右脚就是双线性插值的结果，把双线性插值的结果当作伪标签进行训练，这是最简单也是最直接的方法。
光有伪标签还不够，毕竟单独的伪标签达不到涨点的效果，这时候最关键的是把一个真实图像-超分对和图像-伪标签对组成一个batch进行训练，并给图像-伪标签对给予较低的权重，这样才能保证模型学习到有用的信息。
二、梯度攻击
这点就很类似于图像隐水印的攻击部分，我们采用下述的攻击方式，对图像进行攻击。
当然不能一次性加上所有攻击，得一步一步对超分的图像进行攻击，比如先随机缩放攻击10个epoch，再加核攻击10个poech，最后组合攻击，这样可以减少模型直接学习的难度。
建议篇
非985计算机本硕的同学，不要浪费时间去参加，单相思的爱情没有结果！
几天后，将会开源比赛代码，大家可以dd催我，也祝奋斗在赛圈一直努力的大家都能最后获得满意的offer，感谢能够看完名曰方案分享，实则委婉吐槽的随笔，想骂却骂不出来，因为骂了过不了审核！
扫一扫
3031
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
