本研究中做了很多資料前處理的嘗試,包括改變切割方式、使用不同的pretrained model以及結合不同的data augmentation。記錄了所有的結果後找到了最適合此資料集的搭配。
在這個比賽中,我遇到了最大的挑戰是非作物類別的分類,因為一般作物的影像中也經常會包含非作物相關的物體,這使得非作物類別的資料沒有足夠的代表性,導致模型容易將非作物的影像誤判為一般作物。因此,我將預測為一般作物且信心度(Confidence Scores)低於0.7的類別改為非作物,經過實驗後發現效果不錯,整體的準確度可以提高3%。
最終的正確率為90.6%,共446組內排名第22名(4.93%),並榮獲前標,取得計畫辦公室獎狀。