Hook

README.md

@@ -1 +1,150 @@
-# datachallenge_deep
+# datachallenge_deep
+
+transformer最强
+
+
+下面按“类型”把**已经用过**的模型和**还可以用**的模型列出来（只列结构名，不展开细节）。
+
+---
+
+## 1) U-Net 系列（Encoder–Decoder / Skip Connection）
+
+### 你已用
+
+* **SegNet / segnet_gen 0.62125**
+* **Attention-U-Net  0.5137568332816138**
+* **ResNet34-U-Net 0.4858865707148295**
+* **U-Net（keep272）0.4850**
+
+### 仍可用
+
+* **ResNet18/50-U-Net**
+* **UNet++（Nested U-Net）**
+* **U-Net 3+**
+* **R2U-Net / R2AttU-Net（递归残差）**
+* **BCDU-Net**
+* **DenseUNet**
+* **U-Net + ASPP（在瓶颈加 ASPP）**
+
+---
+
+## 2) DeepLab / ASPP 多尺度语义分割（Atrous）
+
+### 你已用
+
+* **DeepLabV3（ResNet50 backbone）0.46073617997736044**
+
+### 仍可用
+
+* **DeepLabV3+**（比 V3 更强的 decoder）
+* **DeepLabV3-MobileNetV3**（更快）
+* **LR-ASPP（轻量 ASPP）**
+
+---
+
+## 3) Transformer / ViT 系列语义分割
+
+### 你已用
+
+* **Mask2Former + Semi-Supervised Pseudo Label (Full runnable)0.6663556049927326
+* **SegFormer 0.649377**
+* **Mask2Former（更强但更复杂） 0.6441724128817745**
+* **UPerNet + Swin / ViT backbone  0.6402961815634437**
+* **DPT（Dense Prediction Transformer）0.6234547207117457**
+* **Swin-UNet / Swin-Transformer segmentation  0.5850994834704769**
+
+### 仍可用
+
+
+---
+
+## 4) Pyramid / FPN 多尺度融合（CNN 语义分割头）
+
+### 你已用
+
+* **UPerNet（PSP + FPN）0.5387714111687977**
+
+### 仍可用
+
+* **PSPNet**
+* **FPN-Seg**
+* **HRNet + OCR（高分辨率）**3
+* **PAN（Path Aggregation Network）**
+
+---
+
+## 5) “边界/形状友好”的结构（适合细长界面）
+
+### 你已用
+
+* （暂无）
+
+### 仍可用
+
+* **Boundary Head（分割 + 边界分支）**
+* **Distance Transform 回归 + 分割**
+* **Gated-SCNN（边界引导）**4
+
+---
+
+### 👉 结论（不拐弯）：
+
+> **你现在继续“堆更复杂 Transformer 结构”，收益已经开始下降了。**
+
+原因不是模型不强，而是：
+
+* 数据量有限（几千 patch）
+* 标签噪声 + 细长结构
+* 评价是 **IoU（对边界极其敏感）**
+
+在这种任务里，**SegFormer 已经吃满了“Transformer 红利”**。
+
+---
+
+## 🎯 现在最有可能再涨分的 3 条路（按性价比排序）
+
+### 🥇 路线 A（最推荐）：**SegFormer + 强化训练策略**
+
+这是**最可能把 0.649 → 0.67+** 的方式。
+
+你可以加：
+
+1. **Dice / Tversky / Lovász-Softmax loss（替代纯 CE）**
+2. **TTA（左右翻转 + 轻微 scale）**
+3. **连通域 / morphology 后处理（修断裂）**
+
+👉 不换模型，只“榨干 SegFormer”
+
+---
+
+### 🥈 路线 B：**Mask2Former（现在可跑，但要“比赛版”配置）**
+
+如果你坚持用它，**一定要注意**：
+
+* batch size = 1 或 2
+* 冻结 backbone 前几层
+* 更长 warmup
+* 不然很容易过拟合 well1–5
+
+👉 **上限高，但不稳**
+
+---
+
+### 🥉 路线 C：**UPerNet + Swin + 边界辅助**
+
+单纯 UPerNet+Swin 已经证明不够，你需要：
+
+* 加 **Boundary Head**
+* 或 Distance Transform loss
+
+👉 复杂度高，回报不确定
+
+---
+
+## 🚀 我建议你现在这样走（最理性）
+
+> **把 SegFormer 当主模型冲榜**
+> Mask2Former 作为“你已经会了的备选方案”
+
+---
+