tsingjinyun / FashionAI_Tianchi_2018

FashionAI Global Challenge—Attributes Recognition of Apparel—Ranked 21st solution.

• 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 learning multitasks learning keras FashionAI Tianchi 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：
    
• 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%