ICCV 2021 Workshop LargeFineFoodAI Large-Scale Fine-Grained Food Analysis——Retrieval

2021年6月份美团主办的大规模细粒度的比赛，比赛共有两个赛道，分别是分类和检索，比赛在kaggle上举办的，比赛主页：

LargeFineFoodAI
分类赛道
检索赛道

比赛每个赛道分别产生了前三名的方案介绍，在官网主页也有，但是是视频形式的，现在根据他们的方案改成文字形式的。

1 检索赛道

第一名 DeepBlueAI

这名方案介绍比较水，方案细节很不好。
使用的方案：

1. 五折交叉验证
2. Data softening，对数据进行清洗的操作，还挺新颖的
   
3. Cutmix
4. Labelsmothing
5. SAM（Sharpness-Aware Minimization） 优化器
6. Query Expansion 对索引的query的特征进行拓展，从而增强这个query，使用的距离是Euclidean和Jacobian distance。
   
7. Model Ensemble
   
   结果
   
   一些没有用的方法：
   

---

第二名 USTC-NELSLIP

整体方案：

1. 数据清洗 这部分和第一名的方案很相似
   
2. 后处理阶段，其中QE和DBA是比较有用的方案
   
   细节
   
   最终结果
   

---

第三名 OPPO

整体方案：

1. Backbone和Data Processing
   
2. 训练策略
   
3. Loss
   
4. 模型蒸馏，这部分有点没听懂
   
5. 后处理 这部分用了两个处理，一个是diffusion和k-reciprocal reranking
   
   检索方案对比
   

结论

华子果然不一样奥~

---

总结

1. 数据方面：Top1,2均进行了五折数据清洗，重新生成了一个新的数据集

2. 数据增强方面：CutMix，大尺寸的resize，RandAugment, weighted data sampler

3. 模型训练: Top1使用了SAM的优化器，（后期），但是训练比较慢，常和交叉熵损失放在一起用，提 高模型泛化性。Top3使用的是cosine annealing的scheduler

4. 模型选择：Swin，Efnt，resneSt269(没怎么见过)

5. Loss：circle loss和arcface 或者组合

6. 后处理：L2Norm, DBA , distance，QE。其中TOP1 Euclidean和Jacobian distance，Top2是cos，top3使用了diffusion和k-reciprocal reranking检索方法，均使用了TTA

7. 其中Top3还使用了对模型进行蒸馏的操作1-2%的提升，比较新颖。