【2022中国高校计算机大赛 微信大数据挑战赛】Top 1-6 方案总结

前段时间参加了 2022中国高校计算机大赛 微信大数据挑战赛，比赛链接：https://algo.weixin.qq.com/。
由于时间原因精力有限，我们队伍的方案做的比较简陋：
【初赛：rank-18，复赛：rank-40（全国二等奖）】

---

🚀 我们已开源了我们队的初赛方案代码，可参见如下github链接，欢迎各位star一下，给个⭐，谢谢：

https://github.com/XFR1998/WBDC2022-Multimodal-Short-Video-Classification

---

简陋方案如下：
1、双流架构。roberta提取文本特征(title, asr, ocr)。swin-tiny和convnext-tiny分别提取视频特征，然后用concatDenseSE层融合。最后用3层cross-attention融合文本和视频特征。

2、其他一些常用比赛tricks：amp混合精度训练，EMA，FGM，SWA。
3、初赛用了单双流模型融合，复赛限制了QPS，所以没来得及弄模型加速。
4、预训练：复赛没时间搞哈哈哈。
5、模型加速优化，没弄，所以没法模型融合哈哈哈。

和前排的分数差距，主要在于：
1、没预训练，复赛翻车哈哈哈，要是用上了预训练的话，能有1-2个百分点提升。
2、没用CLIP-VIT（huggingface有现成可以用），这个可以涨2-3个百分点，所以我们队没用这个巨亏哈哈哈。
3、没搞模型加速优化，也就导致没法模型融合，看前排都融了好几个，融了的话，应该最多能提1个百分点吧。
4、如何合理进行伪标签制作，做好应该能涨几k。

下面对进入决赛的队伍方案做个总结，向大佬学习！！！

赛题任务-微信小视频分类（多模态任务）：


复赛QPS要求：

 
 
 

🚀Top 1-6 方案列表：

序号	队伍
TOP1	苟进决赛
TOP2	冲冲冲～
TOP3	抱朴子
TOP4	机器不学习啦
TOP5	warriors
TOP6	蜜度信息

---

TOP1-苟进决赛：

提问环节总结：
1、3种模型，本质上是在顶层的交互模块的区别，不管哪个模型牛，最后融合后，各模型的差异性可能对预测结果均有贡献。
2、知识蒸馏打出的伪标更好，前提是使用了更强更大的模型来打伪标。
3、除了知识蒸馏，也有考虑类别不平衡问题，只是ppt没展示，数量较少的类别重采样，提升较少所以没放在ppt讲。
4、模型融合，直接相加平均。
5、伪标过程（知识蒸馏过程中），数据是：有监督数据+伪标数据（会重用）。
6、为啥基本都用clip-vit，为啥在微信这个任务效果比swin-transformer好？
7、郭大说前排如果用了知识蒸馏的话，可能就打不过了哈哈哈。

 
 
 

TOP2-冲冲冲～：

提问环节总结：
1、对比学习中，有3种对比学习方式，复杂度和常规对比学习差不多。
2、直接用分类模型打伪标效果提升不明显。DML结构和分类模型结构一样。
3、和其他队伍的显著特别之处就是：MMA预训练。

 
 
 

TOP3-抱朴子：

单双流结构模型融合（平均），5种模型。



常规预训练任务：MLM, MFM, ITM。

提问环节总结：
1、没用对比学习预训练、只用了图文0/1匹配，实验发现对比学习预训练线上效果不佳。
2、没有对类别不平衡问题做处理。
3、主要集中于编码器的选取，如R2D2。

 
 
 

TOP4-机器不学习啦：

双流模型结构：

提问环节总结：
1、loss部分有4部分，权重通过做很多对比实验试出来的。
2、层级标签体系之间可能有冲突，L1层面标签可能很清晰，但L2层面不一定。
3、matching任务时，构建pair是随机的，未来可考虑从负样例中合理采样更有价值的负例。
4、至于为什么finetune阶段加了VTA特征对齐任务，说是特征对齐对下游任务可以有一定约束、泛化性有提升。

 
 
 

TOP5-warriors：

maxlen用的也是256。

VL-BERT的结构：


额，又是用clip-vit模型提取视频特征的，基本都用这个（可惜我没用）




还有个text-video matching预训练任务，没截到图哈哈哈：

提问环节总结：
1、预训练时，MLM预训练基于词粒度做。
2、title、asr、ocr。分别传入3个网络分别提特征，应该没有拼接3个传入网络交互好。测试一下不同模态对分类任务的贡献。
3、采样方面的问题。视频的时序信息是否有用？
4、预训练任务，文本视频2种模态实际是冲突的，那matching任务时是否会影响。
5、创新之处，结合字、词特征。
6、对asr，ocr预处理，去除啊啊啊、哦哦哦等噪音，性能也降了哈哈哈哈。（我也不理解为啥会这样）。
7、没用tensorrt（时间不够时间去试），用了fp16。
8、如果能用large，减少帧数，性能应该会提升。

 
 
 

TOP6-蜜度信息：

最后选择256长度截断（实验测试经过qps与精度衡量）：





预训练任务：MLM，VTM（图文匹配）。

CLIP预训练：



经过实验发现第一帧可作为强特征：

3种特征 cross attention融合（3层）：

提问环节总结：
1、初赛准备了10几个预训练任务，不同预训练任务如何组合，消融实验成本太大，帧数缩小，用large模型来做可能效果更好，但时间不够去测试。
2、asr，ocr的噪声去除后发现性能下降。用asr的波形来做一个特征或许不错等。
3、模型加速方面 可考虑 蒸馏、剪枝、int8加速。

 
 
 

张正友老师最后总结： 【总体创新性不够，如title, asr, ocr直接拼接有点简单，不同模态的交互方式，还有不平衡问题的处理，打标问题等。】

大佬们都很强！向大佬学习！希望大佬们最后能够开源代码，促进大家的交流学习！😄😄