兄弟们别冲了准备投 SN _王荣胜1

【文章标题】：“兄弟们别冲了准备投 SN - 王荣胜1”之图像天气分类技术详解 【文章内容】： 本文主要探讨的是一个图像分类问题，具体任务是通过对标注了天气的图片进行分析，以判断图像中的天气状况。团队“兄弟们别冲了准备投 SN”在此次挑战中采用深度学习方法来解决这一问题，特别是针对图像多（三）分类任务进行了详细的策略规划和技术实施。 题目描述了比赛的目标是识别晴天和阴天的图片，总共有252362张图片，其中训练集包括179584张带有标注的图片，测试集包含72778张无标注图片。训练集中的图片标注以JSON文件形式存在，如'1.jpg':'sunny'，表示1.jpg是晴天图片。提交结果需按照指定格式，包括图片ID和天气类别（0为晴天，1为阴天，2为其他）。 在题目分析阶段，团队认识到这是一个典型的深度学习图像分类问题，因此选择了深度学习模型作为主要建模手段。由于天气图像不像猫狗那样有明确的实体特征，而是依赖于温度、湿度、光线等多维度感知，团队主要关注图像的明暗、云彩、阳光等因素。由于数据集中的图片包含了日常生活中的各种物体，这与ImageNet数据集相似，所以在选取预训练模型时，ImageNet模型成为了一个重要的参考。 在方案概览中，团队进行了数据统计和预览，发现在Part1中，有标签的晴天和阴天图片共计94821张，无标签的其他天气图片为74763张。数据预处理阶段，团队选择了一种谨慎的方法，避免使用可能破坏天气特征的图像增强技术，如随机亮度和对比度调整，以及可能误导模型的上下翻转。相反，他们采用了左右翻转和cutout技术。考虑到数据特性，cutout被视作更适合的数据增强方法，因为图像中缺乏明确的物体标识。此外，为了适应EfficientNet-b3模型，所有图片被resize至300x300像素。数据清洗方面，团队在线上处理非RGB图像，确保训练过程的稳定性。 在模型训练阶段，团队并未过度调参，更多依赖自动学习率调整。尽管在训练数据中发现了一些标签错误，但仅使用部分正确标签的Part1进行训练并未取得良好效果。因此，团队可能考虑了利用模型集成或其他策略来改进训练数据的质量，以提升模型的预测准确性。 这个项目展示了在处理图像分类问题时，如何结合深度学习技术进行有效的数据预处理、模型选择和训练。团队的策略强调了对数据特性的理解、数据清洗的重要性以及适当选择数据增强技术的必要性。这种做法在类似的图像识别任务中具有广泛的借鉴价值。