OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

本次竞赛要解决的问题是，通过识别图片中的鲸鱼尾巴，实现对鲸鱼种类的分类，属于一个多分类问题 提供的数据集包括9850张训练图片（4251个种类）和15610张测试图片。 这是本人第一次参加的比赛，最终以0.45426的分数，排名45th/528，top9% 环境说明： tensorflow-gpu:1.4.1 keras-gpu:2.0.5 文件说明： input: notebook文件需要的输入 humpback-whale-identification-model-files: Whale Recognition Model with score 0.78563.ipynb需要的文件 train.csv: 原始训练集标注文件 train_aug.csv: Keras_lb_0.38_to_0.42_cut_aug.py使用的经过裁剪，以及数据增强后的训练集标准文

Wheat_detection 这是我的存储库，其中包含的基准模型 使用的主要框架： 要将其用于培训，请执行以下步骤： 下载数据，解压缩并放入某个文件夹中； 在config conf / data / data.yaml中将该文件夹定义为键data.folder_path的值 运行run_hydra.py脚本 没有用于预测的脚本，因为在这种竞争中，我们必须在内核中进行预测。 请参阅我的内核以获取更多信息： :

Kaggle： 任务是将每个木薯图像分为五类，以指示-具有某种疾病或健康叶片的植物。 组织者介绍了在乌干达定期调查期间收集的21,367张带标签图像的数据集。 大多数图像都是从农民那里获取的，他们在花园里照相，并由国家作物资源研究所（NaCRRI）的专家与坎帕拉的马可雷雷大学的AI实验室合作进行批注。 似乎已经有一些。 实验性 安装此工具 如何使用此基本功能的简单方法： ! pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip 在Colab中运行笔记本 我建议将数据集上传到您的个人gDrive，然后在笔记本电脑中连接gDrive，这样可以在重置Colab时节省重新上传数据集的时间...：] 一些结果 ResNet50的培训进度以及10个时期的培训：