update readme

README.md

@@ -1,3 +1,40 @@
+# 广东工业智造大赛--赛场一 布匹瑕疵检测
+##这是我第一次参加天池的大赛，半决赛的代码开源在了final_commit文件夹
+##里面包含了填鸭的代码，第一版的填鸭，计算了patch块的相似度。第二版的我们对小目标（1-4）类的随机3-5倍的放大。
+##半决赛的Rank：34/100
+##线下的map：60%左右，线上的map：40%左右。
+##总结一下：1.特征工程 2.选用模型 3.训练，调参 4.提交结果
+##开始做的时候，我们是先出了一个baseline的结果，开始我是自己一个人玩，直接上faster-rcnn-r101 map：26% 有点沮丧
+##毕竟这时候还在忙着写（水）论文，后来论坛里 开源了一个cascade-rcnn-r50的模型。初赛52%map。
+##根据这个baseline，我换了backbone r101 居然：54%map，嘻嘻...这里直接就进了60多。
+## 点1：anchor的设计非常重要，mmdetection的默认[0.5,1,2]一般来说很难符合数据的特性，所以这里是提分的点子
+## 点2：fpn层 dcn （槽点，太吃显存，因为要用很多的offsets）
+## 点3：OHEM 在线困难样本的发掘
+## 点4：soft-nms 提分不多，大概一个点左右（大概率是0.几%哈~）
+## 点5：TTA 老版本的mmdet没有TTA 多尺度测试，新版的有
+## 点6：填鸭，对于正常样本的利用。这里其实跟我写论文里的东西有点像，来自小样本增强的那篇论文，但是有个问题就是
+## 容易引入结构化的噪声，这里需要计算 patch的块的相似度---于是乎（度娘了一下），用了现成的
+## 点7： GN+ws
+## 点8： rpn 调参 
+
+
+#一些试过但是没有用的
+## 打算切图做的，cascade-r50对512*512的图像来测试，对于1-4好像有点效果，可能是可视化的错觉把
+## 分类的模型，这时候就做的比较晚，用了 20层的 只有40多的acc
+## 
+
+# 还没有尝试的
+## GIOU loss
+## GMloos GMHRLoss
+## Focal loss
+## mixup、smooth label
+## 余弦退火学习率衰减
+## 
+
+# 定制化的框架（可能是我没有仔细阅读过mmdet的源码）
+## 其实需要魔改框架的，加入一些对小目标增强的结构
+
+
 # This my first time participate in TianChi challenge!
 # first TestB Rank：85/2714