- 天池大数据竞赛——FashionAI全球挑战赛—服饰属性标签识别
- 采用多任务学习的策略，比赛最终成绩为决赛21名，在此记录一下在比赛过程中踩过的坑
- FashionAI全球挑战赛官方链接，数据集可在此下载
- 我的CSDN链接
transfer learningmultitasks learningkerasFashionAITianchi big data
环境
- ubuntu16.04/windows10
- python 3.6.2
- keras 2.1.6
- tensroflow 1.8.0
- opencv-python 3.4
- imgaug 0.2.5
使用
- 因为懒，代码写完就跑，跑完就算，没怎么优化与封装
- config.py-------------配置了样本目录等信息
- cal_std_mean.py------计算数据集的std与mean
- Multitask_train.py----训练脚本
- Multitask_predict-----预测脚本
- dataset.py------------数据预处理
- inceptionv4.py--------Inceptionv4模型API
- 来这里下载数据集，解压到datasets文件夹下，就可以执行
python Multitask_train.py进行训练了
思路分享
- 迁移学习+多任务学习+模型融合
- 分别设计了两个多任务模型结构如下：
- 长度类别多输出模型：
- 领子类别多输出模型：
- 长度类别多输出模型：
- 融合Inceptionv4与Inceptionresnetv2，分别进行预测再对结果做平均
- 对测试集样本进行增广
提高分数的技巧
- shuffle很重要
- 多任务学习比单任务学习成绩提高
1-2% - 合适的图像增广，推荐使用imgaug，功能强大。dataset.py有详细代码，能提高
2-3% - 图像标准化，计算本数据集的std与mean，而不是直接用imagenet的std与mean，提高
0.5-1% - 增大图像输入尺寸可提高分类准确率，提高
1-2% - finetune，算力允许的前提下finetune整个模型，对比只训练最后一层提高
3-5% - 使用Adam先快速收敛，再用SGD慢慢调，效率会比较高
- 模型融合，提高
1-2% - 对测试集进行增广，本例选择了镜像，加上旋转5、10、15度进行预测，最后再取平均，提高
0.5-1%