极链科技分类挑战赛金牌经验分享

近期，由Kaggle主办，Leica Microsystems和NVIDIA赞助的HPAIC（Human Protein Atlas Image Classification）竞赛正式结束。比赛为期三个月，共有来自全球的2236个队伍参加，极链AI研究院与工程院最终获得挑战赛金牌。

比赛介绍

蛋白质是人体细胞中的“行动者”，执行许多共同促进生命的功能。蛋白质的分类仅限于一种或几种细胞类型中的单一模式，但是为了完全理解人类细胞的复杂性，模型必须在一系列不同的人类细胞中对混合模式进行分类。

可视化细胞中蛋白质的图像通常用于生物医学研究，这些细胞可以成为下一个医学突破的关键。然而，由于高通量显微镜的进步，这些图像的生成速度远远超过人工评估的速度。因此，对于自动化生物医学图像分析以加速对人类细胞和疾病的理解，需要比以往更大的需求。

虽然这是生物学方面的竞赛，但是其本质是机器视觉方向的图像多标签分类问题，参赛队伍也包括许多机器视觉和机器学习领域的竞赛专家。

数据分析

官方给我们提供了两种类型的数据集，一部分是512x512的png图像，一部分是2048x2048或3072x3072的TIFF图像，数据集大概 268G， 其中训练集：31072 x 4张，测试集：11702 x 4张。

一个蛋白质图谱由4种染色方式组成（red，green，blue，yellow），图像示例如下：

我们将4个通道合并成3通道（RYB）可视化的图像如下所示：

在本次竞赛中一共有28个类别，比如 Nucleoplasm、Nuclear membrane等，每个图谱图像都可以有一个或者多个标签。标签数量统计如下：

可以发现标签数量集中在1－3个，但是仍然会有图像有5个标签，给比赛增加了一定的难度。

另一方面的难点是数据集中样本数量很不均匀，图像最多的类别有12885张，而图像最少的类别只有11张图像，这给竞赛造成很大的困难，样本数量分布情况可以在图中看出。

在比赛过程中逐步有参赛者发现官方的额外数据集HPAv18，并得到官方授权，这些数据集有105678张，很大程度的扩大了样本数量，同时给我们提供了很大的帮助。

环境资源

硬件方面我们使用了4块NVIDIA TESLA P100显卡，使用pytorch作为我们的模型训练框架。

图像预处理

HPAv18 图像与官方给出的图像有一定的差别，虽然也是由4中染色方式组成，但是每个染色图像是一个RGB图像，而不是官方的单通道图像，而且RGB三个通道的值差别较大，我们对这些图像做了预处理，对每个RGB图像只取一个通道（r＿out＝r，g＿out＝g，b＿out＝b，y＿out＝b），并将这些图像缩放到512x512和1024x1024两种尺度。

对于TIFF文件，我们用了一周的时间把这个数据集下载下来，然后将所有图像缩放到1024x1024。

数据增广

我们比赛中使用的增广方式有Rotation， Flip 和 Shear三种；因为我们不知道一张图像中的多个细胞之间是否有关联关系，所以比赛中没有使用随机裁剪的增广方式。