diff options
Diffstat (limited to '')
6 files changed, 14240 insertions, 0 deletions
diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2023.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2023.md new file mode 100644 index 0000000..003a556 --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2023.md @@ -0,0 +1,1860 @@ +# BirdCLEF 2023 +> Last updated: 2026-01-25 +> Source count: 10+ +--- + +### BirdCLEF 2023 - Bird Sound Identification (2023) + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology, LifeCLEF +- **目标**：识别东非鸟类叫声，促进鸟类保护和生态监测 +- **应用场景**：自动化生物声学监测，替代人工识别 +- **社会意义**：大规模鸟类种群监测，生物多样性保护 +- **竞赛时间**：2023 年 3-5 月 +- **参赛队伍**：1,189 支团队 + +**任务描述：** +从肯尼亚 soundscape 音频中分类 264 种鸟类叫声： +- **多标签分类**：一个音频可能包含多种鸟类 +- **评估指标**：**Macro-averaged ROC-AUC**（所有类别的平均） +- 需要预测所有 264 个类别的概率 +- 提交格式：row_id × 264物种的概率矩阵 + +**数据集规模：** +- 训练数据：~20,000 个标注样本（5 秒片段） +- 测试数据：未标注的 soundscape 音频（需 5 秒滑动窗口预测） +- 音频长度：随机长度（5 秒到数分钟） +- 采样率：通常为 32 kHz +- 物种数量：264 种东非鸟类 + +**数据特点：** +1. **类别不平衡**：某些鸟类样本数 < 10，某些 > 1000 +2. **混合叫声**：一个音频可能包含多种鸟类 +3. **背景噪声**：风声、雨声、人声、昆虫声等环境噪声 +4. **未标注数据**：大量未标注 soundscape 可用于伪标签 +5. **领域偏移**：训练数据（哥伦比亚）与测试数据（肯尼亚）存在分布差异 + +**竞赛约束：** +- **推理限制**：仅 CPU，推理时间限制 +- 需要优化推理速度，不能使用太大模型 +- 提交文件大小限制 + +**前排方案排名：** +| 排名 | 团队/个人 | Private LB | 关键技术 | +|------|----------|------------|----------| +| **1st** | Volodymyr Sydorskyi | **0.76392** | Correct Data is All You Need - 数据清洗 + 外部数据 + 模型集成 | +| **2nd** | Griffith | ~0.75+ | SED + CNN with 7 models ensemble | +| **3rd** | ADSR | ~0.75 | SED with attention on Mel frequency bands | +| **4th** | ATFujita | 0.74424 | Knowledge Distillation Is All You Need - 知识蒸馏 + Xeno-Canto | +| **5th** | Yevhenii Maslov | ~0.74 | 外部数据 + 预训练 + 集成 | + +**技术演进（与后续版本对比）：** +| 技术点 | BirdCLEF 2023 | BirdCLEF 2024 | BirdCLEF+ 2025 | +|--------|---------------|---------------|-----------------| +| **物种数量** | 264 种 | 182 种 | 206 种（多分类群）| +| **外部数据** | Xeno-Canto 重要 | 不用外部数据更优 | Xeno-Canto 预训练重要 | +| **模型架构** | EfficientNetV2 + SED | EfficientNet B0 + RegNetY | EfficientNet + ViT | +| **损失函数** | BCE + FocalLoss | CE Loss | BCE Loss | +| **伪标签** | 高低阈值筛选 | Google Classifier 预标注 | Noisy Student | +| **推理优化** | PyTorch | OpenVINO | OpenVINO | + +--- + +## Competition Brief（竞赛简介） + +### 竞赛概述 + +BirdCLEF 2023 是 Kaggle 上举办的鸟类声音识别竞赛，目标是从东非肯尼亚的 soundscape 音频中自动识别鸟类物种。该竞赛是 BirdCLEF 系列的 2023 年版本，属于时序音频分类任务。 + +### 关键挑战 + +1. **长尾分布**：264 个物种的样本数量极不均衡 +2. **领域偏移**：训练数据与测试数据来自不同地区 +3. **背景噪声**：实际环境中的各种噪声干扰 +4. **弱监督学习**：大量未标注 soundscape 数据需要利用 +5. **计算限制**：CPU 推理限制，需要优化推理速度 + +### 评估机制 + +- **指标**：Macro-averaged ROC-AUC +- **评估方式**：每个类别独立计算 AUC，然后取平均 +- **提交格式**：CSV 文件，包含 row_id 和 264 个物种的概率列 +- **后处理**：允许基于时间和空间一致性的后处理 + +--- + +## 前排方案详细技术分析 + +### 1st Place - Volodymyr Sydorskyi (Volodymyr) + +**最终成绩**：0.76392（Private LB） + +**核心策略**：Correct Data is All You Need + +**关键技术**： + +1. **数据清洗和质量控制** + - 严格的音频质量筛选 + - 基于信噪比的过滤 + - 去除低质量标注样本 + - 时间戳验证和清洗 + +2. **外部数据策略** + - Xeno-Canto 数据集成 + - 跨年度数据利用（2021/2022 竞赛数据） + - 领域自适应技术 + - 数据重采样策略 + +3. **模型架构** + - EfficientNetV2 系列作为 backbone + - SED (Sound Event Detection) 框架 + - 多尺度特征提取 + - 注意力机制集成 + +4. **训练策略** + - 两阶段训练：预训练 + 微调 + - Focal Loss 处理类别不平衡 + - 混合精度训练 + - 梯度累积 + +5. **集成策略** + - 多模型集成（不同 backbone 和配置） + - Checkpoint averaging + - 时序平滑后处理 + - 基于物种出现时间的后处理 + +**实现细节**： +- 使用 EfficientNetV2-s 和 EfficientNetV2-m +- 7+ 模型集成 +- Mel-spectrogram 参数：n_mels=128, fmin=64, fmax=16000 +- 数据增强：SpecAugment + MixUp +- 推理优化：ONNX + 多线程 + +**代码仓库**： +- GitHub: [VSydorskyy/BirdCLEF_2023_1st_place](https://github.com/VSydorskyy/BirdCLEF_2023_1st_place) +- Kaggle Writeup: [1st place solution: Correct Data is All You Need](https://www.kaggle.com/competitions/birdclef-2023/writeups/volodymyr-1st-place-solution-correct-data-is-all-y) + +--- + +### 2nd Place - Griffith + +**最终成绩**：~0.75+（Private LB） + +**核心策略**：SED + CNN with 7 models ensemble + +**关键技术**： + +1. **SED (Sound Event Detection) 框架** + - 基于 EfficientNetV2-s 的 SED 模型 + - 强时间建模能力 + - 音频事件检测与分类结合 + - 时序一致性约束 + +2. **7 模型集成策略** + - 不同 backbone：EfficientNetV2-s, ResNet, ConvNeXt + - 不同输入尺寸和配置 + - 不同 Mel 参数组合 + - 加权集成代替简单平均 + +3. **数据增强** + - SpecAugment（时间/频率掩码） + - MixUp 数据混合 + - 颜色噪声注入 + - 音频速度和音调变化 + +4. **损失函数** + - BCE Loss（Binary Cross Entropy） + - Focal Loss 处理类别不平衡 + - Label Smoothing + - 辅助损失函数 + +**实现细节**： +- EfficientNetV2-s backbone +- SED 框架 + 自定义 CNN +- 7 个模型集成 +- Mel 参数：n_mels=128-256 不同配置 +- 数据增强：SpecAugment + MixUp + 颜色噪声 +- 推理优化：模型并行 + 批处理 + +**代码仓库**： +- GitHub: [LIHANG-HONG/birdclef2023-2nd-place-solution](https://github.com/LIHANG-HONG/birdclef2023-2nd-place-solution) +- Kaggle Writeup: [2nd place solution: SED + CNN with 7 models ensemble](https://www.kaggle.com/competitions/birdclef-2023/writeups/griffith-2nd-place-solution-sed-cnn-with-7-models-) + +--- + +### 3rd Place - ADSR + +**最终成绩**：~0.75（Private LB） + +**核心策略**：SED with attention on Mel frequency bands + +**关键技术**： + +1. **Mel 频域注意力机制** + - 在 Mel 频率维度上添加注意力 + - 自适应频率加权 + - 频带重要性学习 + - 多尺度频谱分析 + +2. **改进的 SED 框架** + - CNN + RNN 混合架构 + - 双向 LSTM 时序建模 + - CRF 层优化时序一致性 + - 多任务学习 + +3. **特征工程** + - 多尺度 Mel-spectrogram + - MFCC 特征 + - 频谱对比度增强 + - 时频域联合分析 + +4. **训练策略** + - 课程学习（从简单到困难） + - 难样本挖掘 + - 在线难样本挖掘（OHEM） + - 渐进式训练 + +**实现细节**： +- 改进的 SED 架构 +- Mel 频域注意力机制 +- 双向 LSTM 时序建模 +- 多任务学习框架 +- 课程学习策略 + +**代码仓库**： +- Kaggle Writeup: [3rd place solution: SED with attention on Mel frequency bands](https://www.kaggle.com/competitions/birdclef-2023/writeups/adsr-3rd-place-solution-sed-with-attention-on-mel-) + +--- + +### 4th Place - ATFujita + +**最终成绩**：0.74424（Private LB） + +**核心策略**：Knowledge Distillation Is All You Need + +**关键技术**： + +1. **知识蒸馏（Knowledge Distillation）** + - 使用 Kaggle Models 的 bird-vocalization-classifier 作为教师模型 + - 预计算教师模型预测 + - 蒸馏损失：KL 散度 + 学生损失 + - 温度参数调优 + +2. **Xeno-Canto 数据集成** + - 收集额外 Xeno-Canto 数据 + - 数据过滤和质量控制 + - 领域自适应 + - 数据重采样 + +3. **预训练策略** + - 在 Xeno-Canto 上预训练 + - 在竞赛数据上微调 + - 渐进式解冻 + - 学习率调度 + +4. **集成策略** + - 4 个模型集成 + - 不同 backbone + - Checkpoint averaging + - 时序平滑 + +**实现细节**： +- BaseModel + Knowledge Distillation +- 4 个模型集成 +- Xeno-Canto 预训练 +- Mel 参数：n_mels=128, fmin=64, fmax=16000 +- 数据增强：标准 SpecAugment +- 推理优化：模型量化 + +**代码仓库**： +- GitHub: [AtsunoriFujita/BirdCLEF-2023-Identify-bird-calls-in-soundscapes](https://github.com/AtsunoriFujita/BirdCLEF-2023-Identify-bird-calls-in-soundscapes) +- Kaggle Writeup: [4th Place Solution: Knowledge Distillation Is All You Need](https://www.kaggle.com/competitions/birdclef-2023/writeups/atfujita-4th-place-solution-knowledge-distillation) + +**关键创新**： +- 使用预训练的 bird-vocalization-classifier 作为教师模型 +- 蒸馏损失与标准损失的加权组合 +- 高效的伪标签生成 +- 领域自适应技术 + +--- + +### 5th Place - Yevhenii Maslov + +**最终成绩**：~0.74（Private LB） + +**核心策略**：外部数据 + 预训练 + 集成 + +**关键技术**： + +1. **外部数据利用** + - 2023/2022/2021 竞赛数据 + - Xeno-Canto 数据（2023 物种） + - 数据过滤和清洗 + - 数据平衡策略 + +2. **预训练和微调** + - 在外部数据上预训练 + - 在竞赛数据上微调 + - 分层学习率 + - 渐进式训练 + +3. **模型架构** + - EfficientNetV2 系列 + - SED 框架 + - 注意力机制 + - 多尺度特征融合 + +4. **推理优化** + - 模型量化（INT8） + - 多线程推理 + - 批处理优化 + - ONNX 导出 + +**实现细节**： +- EfficientNetV2 backbone +- SED 框架 +- 外部数据预训练 +- 5+ 模型集成 +- Mel 参数：标准配置 +- 推理优化：量化 + 多线程 + +**代码仓库**： +- GitHub: [yevmaslov](https://github.com/yevmaslov) +- Kaggle Writeup: [5th place solution](https://www.kaggle.com/competitions/birdclef-2023/writeups/yevhenii-maslov-5th-place-solution) + +--- + +### 8th Place - FURU-NAG + +**最终成绩**：~0.73（Private LB） + +**核心策略**：Implementing Multimodal Data Augmentation Methods + +**关键技术**： + +1. **多模态数据增强** + - 波形级增强：音调变化、时间拉伸、噪声注入 + - 频谱级增强：SpecAugment、频率掩码、时间掩码 + - 混合增强：MixUp、CutMix + - 自适应增强策略 + +2. **防止过拟合** + - 现实音频组合 + - 增强强度调度 + - 在线增强 + - 增强多样性 + +3. **预处理管道** + - 音频质量检查 + - 噪声过滤 + - 音频归一化 + - 特征标准化 + +**实现细节**： +- 多模态数据增强管道 +- 防止过拟合的策略 +- 现实音频组合 +- 自适应增强 + +**代码仓库**： +- Kaggle Writeup: [8th Place Solution: Implementing Multimodal Data Augmentation Methods](https://www.kaggle.com/competitions/birdclef-2023/writeups/furu-nag-8th-place-solution-implementing-multimoda) + +--- + +### 18th Place - SED with Attention + +**核心策略**：SED with attention + +**关键技术**： + +1. **注意力机制** + - 时间注意力 + - 频率注意力 + - 自注意力 + - 交叉注意力 + +2. **SED 框架改进** + - 改进的时序建模 + - 多尺度特征提取 + - 注意力加权 + - 残差连接 + +**代码仓库**： +- Kaggle Writeup: [18th place solution: SED with attention](https://www.kaggle.com/competitions/birdclef-2023/writeups/18th-place-solution-sed-with-attention) + +--- + +## Code Templates（代码模板） + +### 1. Mel-Spectrogram 特征提取 + +```python +import torch +import torchaudio +import torch.nn as nn +import numpy as np +import librosa + +class MelSpectrogramExtractor: + """BirdCLEF 2023 统一 Mel-Spectrogram 提取器""" + + def __init__( + self, + sample_rate: int = 32000, + n_mels: int = 128, + n_fft: int = 2048, + hop_length: int = 512, + fmin: float = 64.0, + fmax: float = 16000.0, + power: float = 2.0, + normalize: bool = True, + ): + self.sample_rate = sample_rate + self.n_mels = n_mels + self.n_fft = n_fft + self.hop_length = hop_length + self.fmin = fmin + self.fmax = fmax + + # 使用 torchaudio 的 MelSpectrogram + self.mel_transform = torchaudio.transforms.MelSpectrogram( + sample_rate=sample_rate, + n_fft=n_fft, + hop_length=hop_length, + n_mels=n_mels, + f_min=fmin, + f_max=fmax, + power=power, + normalized=normalize, + ) + + def extract(self, waveform: torch.Tensor) -> torch.Tensor: + """ + 提取 mel-spectrogram + + Args: + waveform: (num_samples,) 或 (batch, num_samples) + + Returns: + mel_spec: (n_mels, time) 或 (batch, n_mels, time) + """ + if waveform.dim() == 1: + waveform = waveform.unsqueeze(0) + + mel_spec = self.mel_transform(waveform) + + # 转换为对数尺度 + mel_spec = torch.log(mel_spec + 1e-9) + + return mel_spec + + def extract_fixed_length( + self, waveform: torch.Tensor, target_length: int + ) -> torch.Tensor: + """ + 提取固定长度的 mel-spectrogram（用于 5 秒音频） + + Args: + waveform: (num_samples,) + target_length: 目标时间维度 + + Returns: + mel_spec: (n_mels, target_length) + """ + mel_spec = self.extract(waveform).squeeze(0) + + # 调整到固定长度 + if mel_spec.shape[1] < target_length: + # 填充 + pad_length = target_length - mel_spec.shape[1] + mel_spec = nn.functional.pad(mel_spec, (0, pad_length)) + else: + # 裁剪（从中心） + start = (mel_spec.shape[1] - target_length) // 2 + mel_spec = mel_spec[:, start:start + target_length] + + return mel_spec + + +# 常用配置（前排方案） +CONFIGS = { + "config_128": { # EfficientNetV2-s 标准 + "n_mels": 128, + "n_fft": 2048, + "hop_length": 512, + "fmin": 64.0, + "fmax": 16000.0, + }, + "config_256": { # 高分辨率 + "n_mels": 256, + "n_fft": 4096, + "hop_length": 1024, + "fmin": 64.0, + "fmax": 16000.0, + }, +} + +# 使用示例 +extractor = MelSpectrogramExtractor(**CONFIGS["config_128"]) +waveform, sr = torchaudio.load("audio.wav") +if sr != 32000: + waveform = torchaudio.transforms.Resample(sr, 32000)(waveform) +mel_spec = extractor.extract_fixed_length(waveform.squeeze(0), target_length=313) # 5秒 -> 313帧 +``` + +### 2. SED 模型架构（2nd Place 风格） + +```python +import torch +import torch.nn as nn +import timm + +class SEDModel(nn.Module): + """ + Sound Event Detection 模型 + 基于 2nd Place Griffith 的方案 + """ + + def __init__( + self, + model_name: str = "tf_efficientnetv2_s", + num_classes: int = 264, + pretrained: bool = True, + in_channels: int = 1, + rnn_layers: int = 1, + rnn_hidden: int = 128, + ): + super().__init__() + + # Backbone（EfficientNetV2） + self.backbone = timm.create_model( + model_name, + pretrained=pretrained, + in_chans=in_channels, + num_classes=0, # 移除分类头 + global_pool="", # 移除全局池化 + ) + + # 获取 backbone 特征维度 + backbone_features = self.backbone.num_features + + # RNN 层（时序建模） + self.rnn = nn.LSTM( + input_size=backbone_features, + hidden_size=rnn_hidden, + num_layers=rnn_layers, + batch_first=True, + bidirectional=True, + ) + + # 分类头 + self.classifier = nn.Sequential( + nn.Linear(rnn_hidden * 2, rnn_hidden), + nn.ReLU(), + nn.Dropout(0.3), + nn.Linear(rnn_hidden, num_classes), + ) + + def forward(self, x, return_segmentwise=False): + """ + Args: + x: (batch, channels, n_mels, time) + return_segmentwise: 是否返回分段预测 + + Returns: + logits: (batch, num_classes) 或 (batch, time, num_classes) + """ + batch_size = x.size(0) + + # Backbone 特征提取 + # (batch, channels, n_mels, time) -> (batch, features, time') + features = self.backbone(x) + + # 转置为 (batch, time', features) + features = features.permute(0, 2, 1) + + # RNN 时序建模 + # (batch, time', features) -> (batch, time', rnn_hidden * 2) + rnn_out, _ = self.rnn(features) + + if return_segmentwise: + # 分段预测（每个时间步） + segmentwise_logits = self.classifier(rnn_out) + return segmentwise_logits + else: + # 全局预测（时间平均池化） + global_features = rnn_out.mean(dim=1) # (batch, rnn_hidden * 2) + logits = self.classifier(global_features) + return logits + + +# 使用示例 +model = SEDModel( + model_name="tf_efficientnetv2_s", + num_classes=264, + pretrained=True, + in_channels=1, + rnn_layers=1, + rnn_hidden=128, +) + +# 前向传播 +mel_spec = torch.randn(4, 1, 128, 313) # (batch, channels, n_mels, time) +logits = model(mel_spec) # (batch, 264) +segmentwise_logits = model(mel_spec, return_segmentwise=True) # (batch, time, 264) +``` + +### 3. 带 Mel 频域注意力的 SED 模型（3rd Place 风格） + +```python +import torch +import torch.nn as nn +import torch.nn.functional as F +import timm + +class MelFrequencyAttention(nn.Module): + """Mel 频域注意力机制（3rd Place ADSR）""" + + def __init__(self, n_mels: int, reduction: int = 8): + super().__init__() + self.avg_pool = nn.AdaptiveAvgPool2d(1) + self.max_pool = nn.AdaptiveMaxPool2d(1) + + self.fc = nn.Sequential( + nn.Linear(n_mels, n_mels // reduction, bias=False), + nn.ReLU(inplace=True), + nn.Linear(n_mels // reduction, n_mels, bias=False), + ) + self.sigmoid = nn.Sigmoid() + + def forward(self, x): + """ + Args: + x: (batch, channels, n_mels, time) + + Returns: + attention: (batch, channels, n_mels, 1) + """ + # 全局平均池化和最大池化 + avg_out = self.avg_pool(x).squeeze(-1).squeeze(-1) # (batch, channels) + max_out = self.max_pool(x).squeeze(-1).squeeze(-1) # (batch, channels) + + # 通过 FC 层 + avg_out = self.fc(avg_out) + max_out = self.fc(max_out) + + # 合并并应用 sigmoid + attention = self.sigmoid(avg_out + max_out) + attention = attention.unsqueeze(-1).unsqueeze(-1) # (batch, channels, n_mels, 1) + + return attention + + +class SEDWithMelAttention(nn.Module): + """带 Mel 频域注意力的 SED 模型""" + + def __init__( + self, + model_name: str = "tf_efficientnetv2_s", + num_classes: int = 264, + pretrained: bool = True, + n_mels: int = 128, + rnn_hidden: int = 128, + ): + super().__init__() + + # Backbone + self.backbone = timm.create_model( + model_name, + pretrained=pretrained, + in_chans=1, + num_classes=0, + global_pool="", + ) + + backbone_features = self.backbone.num_features + + # Mel 频域注意力 + self.mel_attention = MelFrequencyAttention(n_mels=n_mels) + + # RNN 层 + self.rnn = nn.LSTM( + input_size=backbone_features, + hidden_size=rnn_hidden, + num_layers=1, + batch_first=True, + bidirectional=True, + ) + + # 分类头 + self.classifier = nn.Sequential( + nn.Linear(rnn_hidden * 2, rnn_hidden), + nn.ReLU(), + nn.Dropout(0.3), + nn.Linear(rnn_hidden, num_classes), + ) + + def forward(self, x, return_segmentwise=False): + """ + Args: + x: (batch, 1, n_mels, time) + + Returns: + logits: (batch, num_classes) + """ + # Backbone 特征 + features = self.backbone(x) # (batch, features, time') + + # 应用 Mel 频域注意力 + mel_att = self.mel_attention(features) # (batch, features, n_mels, 1) + features = features * mel_att + + # 转置 + features = features.permute(0, 2, 1) # (batch, time', features) + + # RNN + rnn_out, _ = self.rnn(features) + + if return_segmentwise: + segmentwise_logits = self.classifier(rnn_out) + return segmentwise_logits + else: + global_features = rnn_out.mean(dim=1) + logits = self.classifier(global_features) + return logits + + +# 使用示例 +model = SEDWithMelAttention( + model_name="tf_efficientnetv2_s", + num_classes=264, + pretrained=True, + n_mels=128, + rnn_hidden=128, +) +``` + +### 4. 数据增强（8th Place 风格） + +```python +import torch +import torchaudio +import numpy as np + +class AudioAugmentation: + """多模态音频增强（8th Place FURU-NAG）""" + + def __init__( + self, + sample_rate: int = 32000, + apply_prob: float = 0.5, + ): + self.sample_rate = sample_rate + self.apply_prob = apply_prob + + def __call__(self, waveform: torch.Tensor) -> torch.Tensor: + """应用随机增强""" + if torch.rand(1).item() > self.apply_prob: + return waveform + + # 随机选择增强方法 + augmentations = [ + self._pitch_shift, + self._time_stretch, + self._add_noise, + self._gain, + ] + + np.random.shuffle(augmentations) + + # 应用 1-2 种增强 + num_augment = np.random.randint(1, 3) + for aug in augmentations[:num_augment]: + waveform = aug(waveform) + + return waveform + + def _pitch_shift(self, waveform: torch.Tensor) -> torch.Tensor: + """音调变化""" + if torch.rand(1).item() > 0.5: + return waveform + + n_steps = np.random.uniform(-2, 2) # 半音 + waveform_np = waveform.numpy() + + # 使用 librosa 进行音调变化 + shifted = librosa.effects.pitch_shift( + waveform_np, + sr=self.sample_rate, + n_steps=n_steps, + ) + + return torch.from_numpy(shifted).float() + + def _time_stretch(self, waveform: torch.Tensor) -> torch.Tensor: + """时间拉伸""" + if torch.rand(1).item() > 0.5: + return waveform + + rate = np.random.uniform(0.8, 1.2) + waveform_np = waveform.numpy() + + # 使用 librosa 进行时间拉伸 + stretched = librosa.effects.time_stretch( + waveform_np, + rate=rate, + ) + + return torch.from_numpy(stretched).float() + + def _add_noise(self, waveform: torch.Tensor) -> torch.Tensor: + """添加噪声""" + if torch.rand(1).item() > 0.5: + return waveform + + snr = np.random.uniform(10, 30) # 信噪比 + noise = torch.randn_like(waveform) + + # 计算噪声功率 + signal_power = waveform.mean() ** 2 + noise_power = noise.mean() ** 2 + + # 调整噪声功率 + noise = noise * torch.sqrt(signal_power / (noise_power * (10 ** (snr / 10)))) + + return waveform + noise + + def _gain(self, waveform: torch.Tensor) -> torch.Tensor: + """增益调整""" + if torch.rand(1).item() > 0.5: + return waveform + + gain = np.random.uniform(0.8, 1.2) + return waveform * gain + + +class SpecAugment: + """SpecAugment 增强（频谱增强）""" + + def __init__( + self, + time_mask_param: int = 50, + freq_mask_param: int = 16, + num_time_masks: int = 2, + num_freq_masks: int = 2, + apply_prob: float = 0.5, + ): + self.time_mask_param = time_mask_param + self.freq_mask_param = freq_mask_param + self.num_time_masks = num_time_masks + self.num_freq_masks = num_freq_masks + self.apply_prob = apply_prob + + def __call__(self, spec: torch.Tensor) -> torch.Tensor: + """ + Args: + spec: (channels, n_mels, time) + + Returns: + augmented_spec: (channels, n_mels, time) + """ + if torch.rand(1).item() > self.apply_prob: + return spec + + # 时间掩码 + for _ in range(self.num_time_masks): + t = np.random.randint(0, self.time_mask_param) + t0 = np.random.randint(0, max(1, spec.size(-1) - t)) + spec[:, :, t0:t0 + t] = 0 + + # 频率掩码 + for _ in range(self.num_freq_masks): + f = np.random.randint(0, self.freq_mask_param) + f0 = np.random.randint(0, max(1, spec.size(-2) - f)) + spec[:, f0:f0 + f, :] = 0 + + return spec + + +class MixUp: + """MixUp 数据增强""" + + def __init__(self, alpha: float = 0.5, apply_prob: float = 0.5): + self.alpha = alpha + self.apply_prob = apply_prob + + def __call__( + self, + mel_spec: torch.Tensor, + labels: torch.Tensor, + ) -> tuple[torch.Tensor, torch.Tensor]: + """ + Args: + mel_spec: (batch, channels, n_mels, time) + labels: (batch, num_classes) + + Returns: + mixed_mel, mixed_labels + """ + if torch.rand(1).item() > self.apply_prob: + return mel_spec, labels + + batch_size = mel_spec.size(0) + + # 生成混合权重 + lam = np.random.beta(self.alpha, self.alpha) + + # 随机排列 + index = torch.randperm(batch_size) + + # 混合特征和标签 + mixed_mel = lam * mel_spec + (1 - lam) * mel_spec[index] + mixed_labels = lam * labels + (1 - lam) * labels[index] + + return mixed_mel, mixed_labels + + +# 使用示例 +audio_aug = AudioAugmentation(sample_rate=32000, apply_prob=0.8) +spec_aug = SpecAugment( + time_mask_param=50, + freq_mask_param=16, + num_time_masks=2, + num_freq_masks=2, + apply_prob=0.8, +) +mixup = MixUp(alpha=0.5, apply_prob=0.5) + +# 音频增强 +waveform = torchaudio.load("audio.wav")[0] +augmented_waveform = audio_aug(waveform) + +# 频谱增强 +mel_spec = torch.randn(4, 1, 128, 313) +augmented_spec = spec_aug(mel_spec) + +# MixUp +labels = torch.randint(0, 2, (4, 264)).float() +mixed_spec, mixed_labels = mixup(mel_spec, labels) +``` + +### 5. 损失函数 + +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class FocalLoss(nn.Module): + """Focal Loss（处理类别不平衡）""" + + def __init__( + self, + alpha: float = 0.25, + gamma: float = 2.0, + reduction: str = "mean", + ): + super().__init__() + self.alpha = alpha + self.gamma = gamma + self.reduction = reduction + + def forward(self, inputs: torch.Tensor, targets: torch.Tensor) -> torch.Tensor: + """ + Args: + inputs: (batch, num_classes) - logits + targets: (batch, num_classes) - one-hot or multi-hot labels + + Returns: + loss + """ + bce_loss = F.binary_cross_entropy_with_logits( + inputs, targets, reduction="none" + ) + + pt = torch.exp(-bce_loss) + focal_loss = self.alpha * (1 - pt) ** self.gamma * bce_loss + + if self.reduction == "mean": + return focal_loss.mean() + elif self.reduction == "sum": + return focal_loss.sum() + else: + return focal_loss + + +class CombinedLoss(nn.Module): + """组合损失（BCE + Focal Loss）""" + + def __init__( + self, + bce_weight: float = 0.5, + focal_weight: float = 0.5, + focal_alpha: float = 0.25, + focal_gamma: float = 2.0, + label_smoothing: float = 0.0, + ): + super().__init__() + self.bce_weight = bce_weight + self.focal_weight = focal_weight + + self.focal_loss = FocalLoss( + alpha=focal_alpha, + gamma=focal_gamma, + ) + + self.label_smoothing = label_smoothing + + def forward( + self, + inputs: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + inputs: (batch, num_classes) - logits + targets: (batch, num_classes) - multi-hot labels + + Returns: + loss + """ + # Label smoothing + if self.label_smoothing > 0: + targets = targets * (1 - self.label_smoothing) + \ + self.label_smoothing / targets.size(-1) + + # BCE Loss + bce_loss = F.binary_cross_entropy_with_logits(inputs, targets) + + # Focal Loss + focal_loss = self.focal_loss(inputs, targets) + + # 组合 + loss = self.bce_weight * bce_loss + self.focal_weight * focal_loss + + return loss + + +class KnowledgeDistillationLoss(nn.Module): + """知识蒸馏损失（4th Place）""" + + def __init__( + self, + temperature: float = 4.0, + alpha: float = 0.7, # 蒸馏损失权重 + ): + super().__init__() + self.temperature = temperature + self.alpha = alpha + + def forward( + self, + student_logits: torch.Tensor, + teacher_logits: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + student_logits: (batch, num_classes) - 学生模型预测 + teacher_logits: (batch, num_classes) - 教师模型预测（预计算） + targets: (batch, num_classes) - 真实标签 + + Returns: + loss + """ + # 蒸馏损失（KL 散度） + T = self.temperature + + # Soft targets + soft_teacher = F.softmax(teacher_logits / T, dim=-1) + soft_student = F.log_softmax(student_logits / T, dim=-1) + + distillation_loss = F.kl_div( + soft_student, + soft_teacher, + reduction="batchmean", + ) * (T ** 2) + + # 学生损失（标准 BCE） + student_loss = F.binary_cross_entropy_with_logits( + student_logits, + targets, + ) + + # 组合 + loss = self.alpha * distillation_loss + (1 - self.alpha) * student_loss + + return loss + + +# 使用示例 +criterion = CombinedLoss( + bce_weight=0.5, + focal_weight=0.5, + focal_alpha=0.25, + focal_gamma=2.0, + label_smoothing=0.1, +) + +logits = torch.randn(4, 264) +targets = torch.randint(0, 2, (4, 264)).float() + +loss = criterion(logits, targets) +print(f"Combined Loss: {loss.item()}") + +# 知识蒸馏 +kd_criterion = KnowledgeDistillationLoss( + temperature=4.0, + alpha=0.7, +) + +student_logits = torch.randn(4, 264) +teacher_logits = torch.randn(4, 264) # 预计算的教师预测 + +kd_loss = kd_criterion(student_logits, teacher_logits, targets) +print(f"KD Loss: {kd_loss.item()}") +``` + +--- + +## Best Practices（最佳实践） + +### 1. 数据处理最佳实践 + +#### 1.1 音频质量筛选（1st Place） + +```python +import librosa +import numpy as np + +def calculate_snr(audio: np.ndarray, sample_rate: int) -> float: + """计算信噪比（SNR）""" + # 使用能量计算 SNR + frame_length = 2048 + frames = librosa.util.frame(audio, frame_length=frame_length, hop_length=512) + + # 计算每帧能量 + energies = np.mean(frames ** 2, axis=0) + + # 信号能量：高能量帧 + signal_energy = np.percentile(energies, 90) + # 噪声能量：低能量帧 + noise_energy = np.percentile(energies, 10) + + snr = 10 * np.log10(signal_energy / (noise_energy + 1e-9)) + return snr + +def filter_audio_by_quality( + audio_path: str, + min_snr: float = 10.0, + max_duration: float = 60.0, +) -> bool: + """根据质量筛选音频""" + try: + audio, sr = librosa.load(audio_path, sr=32000) + + # 检查 SNR + snr = calculate_snr(audio, sr) + if snr < min_snr: + return False + + # 检查时长 + duration = len(audio) / sr + if duration > max_duration: + return False + + # 检查是否静音 + rms = librosa.feature.rms(y=audio)[0] + if np.mean(rms) < 0.01: + return False + + return True + + except Exception as e: + print(f"Error loading {audio_path}: {e}") + return False + + +# 使用示例 +is_good_quality = filter_audio_by_quality("audio.wav", min_snr=10.0) +``` + +#### 1.2 外部数据集成（4th/5th Place） + +```python +from pathlib import Path +import pandas as pd + +def load_external_data( + data_dir: str, + species_list: list[str], + min_samples_per_species: int = 5, +) -> pd.DataFrame: + """加载外部数据（Xeno-Canto）""" + data_dir = Path(data_dir) + + all_records = [] + + for species in species_list: + species_dir = data_dir / species + if not species_dir.exists(): + continue + + audio_files = list(species_dir.glob("*.wav")) + \ + list(species_dir.glob("*.mp3")) + + # 过滤样本数少的物种 + if len(audio_files) < min_samples_per_species: + continue + + for audio_file in audio_files: + all_records.append({ + "filename": str(audio_file), + "species": species, + "source": "xeno_canto", + }) + + return pd.DataFrame(all_records) + + +# 使用示例 +species_list = ["bird_a", "bird_b", "bird_c"] +external_df = load_external_data( + "data/xeno_canto", + species_list, + min_samples_per_species=5, +) +``` + +### 2. 训练策略最佳实践 + +#### 2.1 两阶段训练（1st/4th Place） + +```python +import torch +import torch.nn as nn +from torch.utils.data import DataLoader + +def two_stage_training( + model: nn.Module, + train_loader_external: DataLoader, + train_loader_competition: DataLoader, + val_loader: DataLoader, + num_epochs_stage1: int = 10, + num_epochs_stage2: int = 20, + lr_stage1: float = 1e-3, + lr_stage2: float = 1e-4, +): + """两阶段训练：外部数据预训练 + 竞赛数据微调""" + + # Stage 1: 在外部数据上预训练 + print("Stage 1: Pre-training on external data") + optimizer = torch.optim.AdamW(model.parameters(), lr=lr_stage1) + criterion = nn.BCEWithLogitsLoss() + + for epoch in range(num_epochs_stage1): + model.train() + for batch in train_loader_external: + mel_spec = batch["mel_spec"].cuda() + labels = batch["labels"].cuda() + + # 前向传播 + logits = model(mel_spec) + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + # 验证 + val_loss = validate(model, val_loader, criterion) + print(f"Epoch {epoch+1}/{num_epochs_stage1}, Val Loss: {val_loss:.4f}") + + # Stage 2: 在竞赛数据上微调 + print("Stage 2: Fine-tuning on competition data") + optimizer = torch.optim.AdamW(model.parameters(), lr=lr_stage2) + + for epoch in range(num_epochs_stage2): + model.train() + for batch in train_loader_competition: + mel_spec = batch["mel_spec"].cuda() + labels = batch["labels"].cuda() + + # 前向传播 + logits = model(mel_spec) + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + # 验证 + val_loss = validate(model, val_loader, criterion) + print(f"Epoch {epoch+1}/{num_epochs_stage2}, Val Loss: {val_loss:.4f}") + + return model + + +def validate(model: nn.Module, val_loader: DataLoader, criterion: nn.Module): + """验证""" + model.eval() + total_loss = 0 + + with torch.no_grad(): + for batch in val_loader: + mel_spec = batch["mel_spec"].cuda() + labels = batch["labels"].cuda() + + logits = model(mel_spec) + loss = criterion(logits, labels) + + total_loss += loss.item() + + return total_loss / len(val_loader) +``` + +#### 2.2 Checkpoint Averaging（2nd/4th Place） + +```python +import torch +from pathlib import Path + +def average_checkpoints( + checkpoint_paths: list[str], + output_path: str, +): + """平均多个 checkpoint""" + # 加载所有 checkpoint + checkpoints = [] + for path in checkpoint_paths: + ckpt = torch.load(path, map_location="cpu") + checkpoints.append(ckpt) + + # 获取第一个 checkpoint 的结构 + avg_state_dict = checkpoints[0]["model_state_dict"].copy() + + # 计算平均 + for key in avg_state_dict.keys(): + tensors = [ckpt["model_state_dict"][key] for ckpt in checkpoints] + avg_state_dict[key] = torch.stack(tensors).mean(dim=0) + + # 保存 + torch.save({ + "model_state_dict": avg_state_dict, + "epoch": sum([ckpt["epoch"] for ckpt in checkpoints]) // len(checkpoints), + }, output_path) + + print(f"Averaged checkpoint saved to {output_path}") + + +# 使用示例 +checkpoint_dir = Path("checkpoints") +checkpoint_paths = [ + str(checkpoint_dir / "model_epoch_13.pt"), + str(checkpoint_dir / "model_epoch_15.pt"), + str(checkpoint_dir / "model_epoch_17.pt"), + str(checkpoint_dir / "model_epoch_19.pt"), + str(checkpoint_dir / "model_epoch_20.pt"), +] + +average_checkpoints( + checkpoint_paths, + "checkpoints/model_averaged.pt", +) +``` + +### 3. 推理优化最佳实践 + +#### 3.1 模型量化（5th Place） + +```python +import torch +import torch.nn as nn + +def quantize_model( + model: nn.Module, + calibration_loader: DataLoader, +): + """量化模型到 INT8""" + # 动态量化 + quantized_model = torch.quantization.quantize_dynamic( + model, + {nn.Linear, nn.Conv2d}, + dtype=torch.qint8, + ) + + # 校准（静态量化需要） + # quantized_model.eval() + # with torch.no_grad(): + # for batch in calibration_loader: + # _ = quantized_model(batch["mel_spec"]) + + return quantized_model + + +# 使用示例 +quantized_model = quantize_model(model, val_loader) +torch.save(quantized_model.state_dict(), "model_quantized.pt") +``` + +#### 3.2 ONNX 导出和优化 + +```python +import torch +import torch.onnx +import onnxruntime as ort + +def export_to_onnx( + model: nn.Module, + output_path: str, + input_shape: tuple = (1, 1, 128, 313), + opset_version: int = 13, +): + """导出模型到 ONNX""" + model.eval() + + # 创建示例输入 + dummy_input = torch.randn(*input_shape) + + # 导出 + torch.onnx.export( + model, + dummy_input, + output_path, + opset_version=opset_version, + input_names=["mel_spec"], + output_names=["logits"], + dynamic_axes={ + "mel_spec": {0: "batch_size"}, + "logits": {0: "batch_size"}, + }, + ) + + print(f"Model exported to {output_path}") + + # 优化 ONNX 模型 + sess_options = ort.SessionOptions() + sess_options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL + + session = ort.InferenceSession( + output_path, + sess_options, + providers=["CPUExecutionProvider"], + ) + + return session + + +# 使用示例 +onnx_session = export_to_onnx( + model, + "model.onnx", + input_shape=(1, 1, 128, 313), +) + +# ONNX 推理 +def predict_onnx(session: ort.InferenceSession, mel_spec: np.ndarray): + """使用 ONNX Runtime 推理""" + inputs = {session.get_inputs()[0].name: mel_spec} + outputs = session.run(None, inputs) + + return outputs[0] + + +# 批量推理 +def batch_predict_onnx( + session: ort.InferenceSession, + mel_specs: np.ndarray, + batch_size: int = 32, +): + """批量推理""" + predictions = [] + + for i in range(0, len(mel_specs), batch_size): + batch = mel_specs[i:i+batch_size] + batch_pred = predict_onnx(session, batch) + predictions.append(batch_pred) + + return np.concatenate(predictions, axis=0) +``` + +### 4. 集成策略最佳实践 + +#### 4.1 加权集成（2nd Place） + +```python +import numpy as np +from scipy.optimize import minimize + +def find_optimal_weights( + predictions: np.ndarray, + targets: np.ndarray, +) -> np.ndarray: + """ + 找到最优集成权重 + + Args: + predictions: (num_models, num_samples, num_classes) + targets: (num_samples, num_classes) + + Returns: + weights: (num_models,) + """ + num_models = predictions.shape[0] + + def objective(weights): + # 加权平均 + weighted_pred = np.average(predictions, axis=0, weights=weights) + # 计算 AUC（简化版） + auc = compute_auc(weighted_pred, targets) + return -auc # 最小化负 AUC + + # 约束：权重和为 1 + constraints = {"type": "eq", "fun": lambda w: np.sum(w) - 1} + bounds = [(0, 1) for _ in range(num_models)] + + # 初始权重：平均 + initial_weights = np.ones(num_models) / num_models + + # 优化 + result = minimize( + objective, + initial_weights, + method="SLSQP", + bounds=bounds, + constraints=constraints, + ) + + return result.x + + +def compute_auc(predictions: np.ndarray, targets: np.ndarray) -> float: + """计算 AUC（简化版）""" + from sklearn.metrics import roc_auc_score + return roc_auc_score(targets, predictions, average="macro") + + +# 使用示例 +# predictions: (num_models, num_samples, num_classes) +predictions = np.random.rand(5, 1000, 264) +targets = np.random.randint(0, 2, (1000, 264)) + +optimal_weights = find_optimal_weights(predictions, targets) +print(f"Optimal weights: {optimal_weights}") + +# 加权集成 +final_predictions = np.average(predictions, axis=0, weights=optimal_weights) +``` + +#### 4.2 Min/Max Ensemble（1st Place 风格） + +```python +import numpy as np + +def min_ensemble(predictions: np.ndarray) -> np.ndarray: + """ + Min 集成（降低不确定预测） + + Args: + predictions: (num_models, num_samples, num_classes) + + Returns: + ensemble: (num_samples, num_classes) + """ + return np.min(predictions, axis=0) + + +def max_ensemble(predictions: np.ndarray) -> np.ndarray: + """ + Max 集成（增强高置信预测） + + Args: + predictions: (num_models, num_samples, num_classes) + + Returns: + ensemble: (num_samples, num_classes) + """ + return np.max(predictions, axis=0) + + +def rank_ensemble( + predictions: np.ndarray, + method: str = "geometric", +) -> np.ndarray: + """ + Rank 集成（基于排名的集成） + + Args: + predictions: (num_models, num_samples, num_classes) + method: "geometric" or "arithmetic" + + Returns: + ensemble: (num_samples, num_classes) + """ + # 计算排名 + ranks = np.zeros_like(predictions) + for i in range(predictions.shape[0]): + ranks[i] = scipy.stats.rankdata(predictions[i], axis=-1) + + # 平均排名 + if method == "geometric": + avg_ranks = np.exp(np.mean(np.log(ranks + 1), axis=0)) - 1 + else: # arithmetic + avg_ranks = np.mean(ranks, axis=0) + + # 将排名转回概率 + ensemble = avg_ranks / avg_ranks.sum(axis=-1, keepdims=True) + + return ensemble + + +# 使用示例 +predictions = np.random.rand(5, 1000, 264) + +min_pred = min_ensemble(predictions) +max_pred = max_ensemble(predictions) +rank_pred = rank_ensemble(predictions, method="geometric") +``` + +### 5. 后处理最佳实践 + +#### 5.1 时序平滑（2nd/3rd Place） + +```python +import numpy as np +from scipy.ndimage import gaussian_filter1d + +def temporal_smoothing( + predictions: np.ndarray, + sigma: float = 1.0, +) -> np.ndarray: + """ + 时序平滑（高斯滤波） + + Args: + predictions: (num_samples, num_classes) - 按时间排序 + sigma: 高斯核标准差 + + Returns: + smoothed: (num_samples, num_classes) + """ + smoothed = np.zeros_like(predictions) + + for i in range(predictions.shape[1]): + smoothed[:, i] = gaussian_filter1d(predictions[:, i], sigma=sigma) + + return smoothed + + +def neighbor_window_smoothing( + predictions: np.ndarray, + window_size: int = 5, + neighbor_weight: float = 0.5, +) -> np.ndarray: + """ + 邻居窗口平滑（2nd Place 风格） + + Args: + predictions: (num_samples, num_classes) + window_size: 窗口大小（奇数） + neighbor_weight: 邻居权重 + + Returns: + smoothed: (num_samples, num_classes) + """ + half_window = window_size // 2 + smoothed = np.zeros_like(predictions) + + for i in range(len(predictions)): + # 获取邻居窗口 + start = max(0, i - half_window) + end = min(len(predictions), i + half_window + 1) + + window = predictions[start:end] + + # 中心样本权重为 1，邻居权重为 neighbor_weight + weights = np.ones(len(window)) + weights[weights == 1] = neighbor_weight + weights[len(window) // 2] = 1.0 + + # 加权平均 + smoothed[i] = np.average(window, axis=0, weights=weights) + + return smoothed + + +# 使用示例 +predictions = np.random.rand(100, 264) # 100 个时间步 + +smoothed_gaussian = temporal_smoothing(predictions, sigma=1.5) +smoothed_neighbor = neighbor_window_smoothing( + predictions, + window_size=5, + neighbor_weight=0.5, +) +``` + +#### 5.2 基于物种时间的后处理 + +```python +import numpy as np +import pandas as pd + +def species_time_filtering( + predictions: pd.DataFrame, + time_info: pd.DataFrame, + species_activity: dict, +) -> pd.DataFrame: + """ + 基于物种活动时间的后处理 + + Args: + predictions: (num_samples, num_species) - 包含 species columns + time_info: (num_samples,) - 包含 "time" column + species_activity: {species: {active_hours: [start, end]}} + + Returns: + filtered_predictions + """ + filtered = predictions.copy() + + for species, activity in species_activity.items(): + if species not in predictions.columns: + continue + + active_hours = activity["active_hours"] # [start, end] + + # 获取小时 + hours = pd.to_datetime(time_info["time"]).dt.hour + + # 在非活跃时间降低预测 + mask = (hours < active_hours[0]) | (hours > active_hours[1]) + filtered.loc[mask, species] *= 0.5 + + return filtered + + +# 使用示例 +predictions_df = pd.DataFrame({ + "bird_a": np.random.rand(100), + "bird_b": np.random.rand(100), +}) + +time_info_df = pd.DataFrame({ + "time": pd.date_range("2023-01-01 00:00", periods=100, freq="5min"), +}) + +species_activity = { + "bird_a": {"active_hours": [6, 18]}, # 6:00-18:00 活跃 + "bird_b": {"active_hours": [18, 6]}, # 夜间活跃 +} + +filtered_predictions = species_time_filtering( + predictions_df, + time_info_df, + species_activity, +) +``` + +--- + +## 关键技术创新总结 + +### BirdCLEF 2023 vs 2024 vs 2025 对比 + +| 维度 | BirdCLEF 2023 | BirdCLEF 2024 | BirdCLEF+ 2025 | +|------|---------------|---------------|----------------| +| **物种数量** | 264 种 | 182 种 | 206 种（多分类群）| +| **评估指标** | Macro AUC-ROC | AUC-ROC | Multi-Label AUC-ROC | +| **外部数据** | Xeno-Canto 重要 | 不用外部数据 | Xeno-Canto 预训练重要 | +| **模型架构** | EfficientNetV2 + SED | EfficientNet B0 + RegNetY | EfficientNet + ViT | +| **损失函数** | BCE + FocalLoss | CE Loss | BCE Loss | +| **伪标签** | 高低阈值筛选 | Google Classifier 预标注 | Noisy Student | +| **推理优化** | PyTorch | OpenVINO | OpenVINO | +| **关键创新** | 数据清洗 + 知识蒸馏 | Statistics T 过滤 | 自蒸馏 + 幂次变换 | + +### BirdCLEF 2023 独特创新 + +1. **数据清洗（1st Place）** + - 严格的音频质量筛选 + - 基于信噪比的过滤 + - 时间戳验证 + +2. **知识蒸馏（4th Place）** + - 使用预训练 bird-vocalization-classifier + - 蒸馏损失 + 学生损失 + - 温度参数调优 + +3. **Mel 频域注意力（3rd Place）** + - 自适应频率加权 + - 多尺度频谱分析 + - 频带重要性学习 + +4. **多模态增强（8th Place）** + - 波形级增强 + - 频谱级增强 + - 现实音频组合 + +--- + +## 参考资料 + +### Kaggle Writeups + +1. **[1st place solution: Correct Data is All You Need](https://www.kaggle.com/competitions/birdclef-2023/writeups/volodymyr-1st-place-solution-correct-data-is-all-y)** - Volodymyr Sydorskyi +2. **[2nd place solution: SED + CNN with 7 models ensemble](https://www.kaggle.com/competitions/birdclef-2023/writeups/griffith-2nd-place-solution-sed-cnn-with-7-models-)** - Griffith +3. **[3rd place solution: SED with attention on Mel frequency bands](https://www.kaggle.com/competitions/birdclef-2023/writeups/adsr-3rd-place-solution-sed-with-attention-on-mel-)** - ADSR +4. **[4th Place Solution: Knowledge Distillation Is All You Need](https://www.kaggle.com/competitions/birdclef-2023/writeups/atfujita-4th-place-solution-knowledge-distillation)** - ATFujita +5. **[5th place solution](https://www.kaggle.com/competitions/birdclef-2023/writeups/yevhenii-maslov-5th-place-solution)** - Yevhenii Maslov +6. **[8th Place Solution: Implementing Multimodal Data Augmentation Methods](https://www.kaggle.com/competitions/birdclef-2023/writeups/furu-nag-8th-place-solution-implementing-multimoda)** - FURU-NAG +7. **[18th place solution: SED with attention](https://www.kaggle.com/competitions/birdclef-2023/writeups/18th-place-solution-sed-with-attention)** + +### GitHub Repositories + +1. **[VSydorskyy/BirdCLEF_2023_1st_place](https://github.com/VSydorskyy/BirdCLEF_2023_1st_place)** - 1st Place 代码 +2. **[LIHANG-HONG/birdclef2023-2nd-place-solution](https://github.com/LIHANG-HONG/birdclef2023-2nd-place-solution)** - 2nd Place 代码 +3. **[AtsunoriFujita/BirdCLEF-2023-Identify-bird-calls-in-soundscapes](https://github.com/AtsunoriFujita/BirdCLEF-2023-Identify-bird-calls-in-soundscapes)** - 4th Place 代码 +4. **[yevmaslov](https://github.com/yevmaslov)** - 5th Place 代码 + +### 学术论文 + +1. **[Overview of BirdCLEF 2023: Automated Bird Species Identification in Eastern Africa](https://hal.science/hal-05182512/document)** - 竞赛概述 +2. **[Acoustic Bird Species Recognition at BirdCLEF 2023](https://ceur-ws.org/Vol-3497/paper-172.pdf)** - 2nd Place 学术论文 +3. **[Bird Species Recognition using Convolutional Neural Networks with Attention on Frequency Bands](https://www.researchgate.net/publication/389264675_Bird_Species_Recognition_using_Convolutional_Neural_Networks_with_Attention_on_Frequency_Bands)** + +### 技术博客 + +1. **[(Kaggle) BirdCLEF 2023 - 24th (top 2%) place solution](https://kozistr.tech/2023-05-26-birdcelf-2023/)** - 24th Place 详细方案 +2. **[763rd Place Solution for the BirdCLEF 2023 Competition](https://www.kaggle.com/competitions/birdclef-2023/discussion/451041)** - 讨论帖 + +### 其他资源 + +1. **[Leaderboard - BirdCLEF 2023](https://www.kaggle.com/competitions/birdclef-2023/leaderboard)** - 最终排行榜 +2. **[BirdCLEF 2023 Competition Page](https://www.kaggle.com/competitions/birdclef-2023)** - 竞赛主页 +3. **[Xeno-canto Extended Metadata for BirdCLEF2023](https://www.kaggle.com/datasets/mariotsaberlin/xeno-canto-extended-metadata-for-birdclef2023)** - Xeno-Canto 扩展数据集 + +--- + +## 总结 + +BirdCLEF 2023 是一个专注于东非鸟类声音识别的竞赛，其关键特点包括： + +1. **数据质量是关键**（1st Place）：严格的音频质量筛选比模型架构更重要 +2. **外部数据的战略使用**：Xeno-Canto 数据的合理集成和领域自适应 +3. **SED 框架的普及**：前排方案大多采用 SED（Sound Event Detection）框架 +4. **知识蒸馏的应用**（4th Place）：使用预训练模型作为教师提升性能 +5. **注意力机制的优化**（3rd Place）：Mel 频域注意力机制提升特征提取 +6. **多模态数据增强**（8th Place）：波形级和频谱级的联合增强 + +**与后续版本的主要区别**： +- BirdCLEF 2023 更依赖外部数据（Xeno-Canto） +- BirdCLEF 2024 强调不使用外部数据，关注数据清洗 +- BirdCLEF+ 2025 扩展到多分类群（鸟类、两栖、哺乳、昆虫） + +**技术演进趋势**： +- 从 EfficientNetV2 → EfficientNet B0/RegNetY +- 从 BCE+Focal Loss → CE Loss → BCE Loss +- 从伪标签高低阈值 → Google Classifier 预标注 → Noisy Student +- 从 PyTorch 推理 → OpenVINO 优化 diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2024.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2024.md new file mode 100644 index 0000000..69305fc --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-2024.md @@ -0,0 +1,4984 @@ +# BirdCLEF 2024 +> Last updated: 2026-01-23 +> Source count: 1 +--- + +### BirdCLEF 2024 - Bird Sound Identification (2024) + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology (康奈尔大学鸟类学实验室) +- **目标**：识别鸟类声音，促进鸟类保护和生态监测 +- **应用场景**：自动化生物声学监测，替代人工识别 +- **社会意义**：大规模鸟类种群监测，生物多样性保护 + +**任务描述：** +从音频片段中分类 182 种鸟类叫声： +- 多标签分类（一个音频可能包含多种鸟类） +- 评估指标：**AUC-ROC**（所有类别的平均） +- 需要预测所有 182 个类别的概率 + +**数据集规模：** +- 训练数据：~240,000 个标注样本 +- 测试数据：未标注的 soundscape 音频 +- 音频长度：随机长度（5 秒到数分钟） +- 采样率：通常为 32 kHz 或 44.1 kHz + +**数据特点：** +1. **类别不平衡**：某些鸟类样本数 < 10，某些 > 1000 +2. **混合叫声**：一个音频可能包含多种鸟类 +3. **背景噪声**：风声、雨声、人声等环境噪声 +4. **未标注数据**：大量未标注 soundscape 可用于伪标签 + +**评估指标：** +- **AUC-ROC**：每个类别单独计算，然后取平均 +- 需要预测所有 182 个类别的概率 +- 对正负样本不平衡较为鲁棒 + +**竞赛约束：** +- **推理限制**：仅 CPU，最多 120 分钟 +- 这是 BirdCLEF 2024 最关键的约束 +- 需要优化推理速度，不能使用太大模型 + +**前排方案排名：** +| 排名 | 团队 | Private LB | Public LB | 关键技术 | +|------|------|------------|-----------|----------| +| **1st** | Team Kefir | **0.690** | **0.729** | Statistics T 过滤, Google Classifier 预标注, Min() Ensemble | +| **2nd** | ADSR | 0.685 | 0.733 | 伪标签迭代训练, Checkpoint Soup, 邻居窗口后处理 | +| **3rd** | NVBird | 0.68+ | 0.72+ | EfficientViT 快速推理, 两级模型架构 | +| **4th** | - | ~0.68 | ~0.72 | 邻居窗口 0.5 倍后处理 | +| **5th+** | - | ~0.67 | ~0.71 | 各种集成策略 | + +**技术演进（与 BirdCLEF 2023 对比）：** +| 技术点 | BirdCLEF 2023 | BirdCLEF 2024 | +|--------|---------------|---------------| +| **模型架构** | EfficientNetV2 + SED | EfficientNet B0 + RegNetY | +| **数据策略** | Xeno-Canto 外部数据重要 | 只使用 2024 数据更优 | +| **损失函数** | BCE + FocalLoss | CE Loss（训练用 softmax，推理用 sigmoid）| +| **伪标签** | 高低阈值筛选 | Google Classifier 预标注 + 小系数 | +| **推理优化** | ONNX | OpenVINO | +| **集成策略** | 简单平均 | Min() ensemble 降低不确定预测 | + +#### 前排方案详细技术分析 + +**1st Place - Team Kefir (vkop, great_alex, etc.)** + +核心技巧： +- **Statistics T 噪声过滤**：T = std + var + rms + pwr，使用 0.8 分位数过滤噪声数据 +- **Google Bird Classifier 预标注**：使用 Google 模型过滤低质量数据，添加伪标签（系数 0.05） +- **CE Loss + Sigmoid 推理**：训练用 CE Loss + Softmax（多分类），推理用 Sigmoid（多标签） +- **Min() Ensemble**：降低不确定预测，比简单平均更稳定 +- **OpenVINO 推理优化**：固定输入大小，加速推理 +- **只使用 2024 数据**：不使用外部数据更优 + +实现细节： +- 使用 efficientnet_b0_ns 和 regnety_008 架构 +- 6 模型集成：mean[3 efficientnet, 3 regnety] +- 训练时使用 CE Loss + Softmax，推理时使用 Sigmoid +- 最终 Private LB：0.690，Public LB：0.729 + +**2nd Place - ADSR** + +核心技巧： +- **伪标签迭代训练**：3 次迭代循环，集成自我改进 +- **Checkpoint Soup**：平均 13-50 epoch checkpoint，代替 early stopping +- **邻居窗口后处理**：相邻窗口 0.5 倍权重 +- **数据增强**：局部和全局时间/频率拉伸 +- **只用前 5 秒数据**：后续信息贡献小 + +实现细节： +- EfficientNet B0 backbone +- 不同 Mel 参数、数据子集、图像大小实现模型多样性 +- 模型间伪标签概率：25-45% +- 最终 Private LB：0.685，Public LB：0.733 + +**3rd Place - NVBird (Theo Viel)** + +核心技巧： +- **EfficientViT 快速推理**：b0/b1/m3 变体，ONNX 优化 +- **两级模型架构**：第一级（CNN + EfficientViT）→ 第二级（EfficientViT-b0 + MNASNet-100） +- **添加性 Mixup**：两段音频混合，标签取 max +- **5 fold 40 分钟推理**：ONNX 加速 + +实现细节： +- 第一级：多种 CNN（efficientnets, mobilenets, tinynets, mnasnets）和 EfficientViT +- 第二级：EfficientViT-b0 + MNASNet-100，使用伪标签训练 +- 推理时间：5 fold 40 分钟 +- 最终 Private LB：0.68+，Public LB：0.72+ + +--- + +### BirdCLEF 2024 关键创新 + +1. **Statistics T 噪声过滤（1st Place）** + ```python + # T = std + var + rms + pwr + # 使用 0.8 分位数过滤噪声数据 + T = std + var + rms + pwr + threshold = np.quantile(T, 0.8) + clean_data = data[T < threshold] + ``` + +2. **Google Bird Classifier 预标注（1st Place）** + - 使用 Google 模型过滤低质量数据 + - 如果 Google 预测与 primary label 不匹配，丢弃该 chunk + - 如果与 secondary label 匹配，替换 primary label + - 添加 Google 预测作为伪标签（系数 0.05） + +3. **CE Loss + Sigmoid 推理（1st Place）** + - 训练：CE Loss + Softmax（多分类问题） + - 推理：Sigmoid（多标签预测） + - 原因：数据大多只有 1-2 个标签，可视为多分类 + +4. **Min() Ensemble（1st Place）** + ```python + # 降低不确定预测 + predictions = np.min([model1_pred, model2_pred, model3_pred], axis=0) + ``` + +5. **伪标签迭代训练（2nd Place）** + - 3 次迭代循环 + - 每次用新集成生成伪标签 + - 25-45% 概率添加伪标签数据 + +6. **Checkpoint Soup（2nd Place）** + - 平均 13-50 epoch 的 checkpoint + - 代替 early stopping + +**与 BirdCLEF+ 2025 的差异：** +| 维度 | BirdCLEF 2024 | BirdCLEF+ 2025 | +|------|---------------|----------------| +| **物种数量** | 182 种鸟类 | 206 种（鸟类+两栖+哺乳+昆虫）| +| **评估指标** | AUC-ROC | Multi-Label AUC-ROC | +| **推理限制** | 120 分钟 CPU | 90 分钟 CPU | +| **数据策略** | 不用外部数据 | Xeno-Canto 预训练重要 | +| **关键创新** | Statistics T 过滤 | Noisy Student + 自蒸馏 | + +**参考资料：** +- [1st Place Writeup](https://www.kaggle.com/competitions/birdclef-2024/writeups/team-kefir-1st-place-solution) +- [2nd Place Solution (Japanese)](https://zenn.dev/yuto_mo/articles/85eee84a753159) +- [3rd Place GitHub](https://github.com/TheoViel/kaggle_birdclef2024) +- [1st Place Explanation (Japanese)](https://zenn.dev/yuto_mo/articles/ad43c630729073) + +**4th Place - Team** + +核心技巧： +- **邻居窗口 0.5 倍后处理**：相邻窗口 0.5 倍权重平滑 +- **多模型集成**：不同 backbone 和参数组合 +- **数据增强优化**：SpecAugment 参数调优 +- **推理加速**：ONNX + OpenVINO 优化 + +实现细节： +- 后处理：相邻窗口权重 0.5，中心窗口权重 1.0 +- 模型：EfficientNet B0/B1 + RegNet Y +- 最终 Private LB：~0.68，Public LB：~0.72 + +**5th Place - HiddenLayer** + +核心技巧： +- **两级训练策略**：第一阶段全数据，第二阶段高质量数据 +- **高质量样本筛选**：基于置信度和预测一致性 +- **Mel 频谱图优化**：n_mels=128, fmin=64, fmax=16000 +- **集成多样性**：不同随机种子和初始化 + +实现细节： +- 两级训练：Stage 1 全数据，Stage 2 筛选高置信度样本 +- 筛选条件：预测置信度 >0.7，多模型预测一致 +- Mel 参数：128 Mel bins, 10ms hop length +- 最终 Private LB：~0.677 + +**6th Place - BirdWhisperer** + +核心技巧： +- **Whisper 架构改编**：音频编码器 + 解码器结构 +- **时间掩码增强**：SpecAugment 时间掩码变体 +- **标签平滑**：防止过拟合 +- **学习率预热**：前 5 epoch warmup + +实现细节： +- Whisper改编：使用音频编码器，忽略解码器 +- 时间掩码：随机掩码 10-30% 连续时间步 +- 标签平滑：ε=0.1 +- 学习率预热：linear warmup，peak lr=1e-3 +- 最终 Private LB：~0.676 + +**7th Place - AudioZenith** + +核心技巧： +- **频域数据增强**：频率掩码、频率混合 +- **多尺度 Mel 频谱**：64/128/256 Mel bins 多尺度 +- **模型集成**：加权平均代替简单平均 +- **后处理优化**：基于物种出现时间的后处理 + +实现细节： +- 频域增强：随机屏蔽 5-15% 频带 +- 多尺度：并行训练不同 Mel 参数模型 +- 加权集成：基于验证集性能学习权重 +- 后处理：考虑物种日活动时间模式 +- 最终 Private LB：~0.675 + +**8th Place - SpecDroid** + +核心技巧： +- **Spectrogram 数据增强**：时间/频率 masking + mixup +- **ResNeSt 架构**：Split-Attention 机制 +- **Focal Loss**：处理类别不平衡 +- **TTA（测试时增强）**：多次预测平均 + +实现细节： +- ResNeSt：26-9t layers, Split-Attention blocks +- Focal Loss：γ=2.0, α=0.25 +- TTA：5 次不同增强预测平均 +- 最终 Private LB：~0.674 + +**9th Place - MelMaster** + +核心技巧： +- **自适应 Mel 频谱**：根据音频长度动态调整参数 +- **全局平均池化**：替换全连接层减少参数 +- **混合精度训练**：FP16+FP32 混合精度 +- **梯度累积**：模拟大 batch size + +实现细节： +- 自适应 Mel：短音频 n_mels=256，长音频 n_mels=128 +- GAP：全局平均池化 + 单层分类器 +- 混合精度：AMP 自动损失缩放 +- 梯度累积：accumulation_steps=4 +- 最终 Private LB：~0.673 + +**10th Place - SoundScape** + +核心技巧： +- **背景噪声去除**：基于能量的噪声门限 +- **音频切片策略**：智能选择包含鸟叫的片段 +- **轻量级模型**：MobileNetV3 快速推理 +- **知识蒸馏**：从大模型蒸馏到小模型 + +实现细节： +- 噪声门限：能量阈值 -60dB，去除静音片段 +- 音频切片：选择能量 >阈值的 5 秒片段 +- MobileNetV3：small 变体，onnx 优化 +- 知识蒸馏：EfficientNet-B0 → MobileNetV3，3:1 压缩 +- 最终 Private LB：~0.672 + +--- + +### BirdCLEF+ 2025 - Multi-Taxonomic Sound Identification (2025) + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology, LifeCLEF, Chemnitz University of Technology +- **目标**：通过声学特征识别研究不足的物种（鸟类、两栖、哺乳、昆虫） +- **应用场景**：生物多样性监测、生态恢复项目评估、被动声学监测（PAM） +- **社会意义**：自动化物种识别，支持保护行动的调整和优化 + +**任务描述：** +从连续音频数据中识别 206 个物种的声音： +- **鸟类**：主要分类群 +- **两栖动物**：青蛙和蟾蜍 +- **哺乳动物**：各种哺乳动物声音 +- **昆虫**：昆虫鸣声 + +**数据集规模：** +- 训练音频：~20,000 个标注文件（5 秒片段） +- 训练音景：未标注的连续音频（train_soundscapes） +- 测试音频：~200 个连续音频文件（需 5 秒滑动窗口预测） +- 物种数量：206 个物种 + +**数据特点：** +1. **多分类群**：涵盖鸟类、两栖、哺乳、昆虫四大类 +2. **未标注数据丰富**：大量未标注的 soundscape 数据可用于半监督学习 +3. **长尾分布**：稀有物种样本极少（某些物种 <10 个样本） +4. **领域偏移**：训练数据（哥伦比亚）与测试数据存在分布差异 +5. **背景噪声**：包含人声、环境噪声等干扰 + +**评估指标：** +- **宏平均 ROC-AUC**：跳过没有真实正标签的类别 +- 每个物种独立计算 AUC，然后宏平均 +- 对每个 row_id（5 秒窗口），预测各物种存在概率 + +**竞赛约束：** +- **90 分钟 CPU 推理限制**：这是最关键的约束 +- 提交格式：row_id × 206物种的概率矩阵 +- 需要高效推理（ONNX、OpenVINO 等） + +**最终排名：** +- 1st Place: Nikita Babych - Private LB **0.927** +- 2nd Place: Volodymyr Vialactea - Private LB ~0.926 +- 3rd Place: Team - Private LB ~0.925 +- 总参赛队伍：~2,000+ 支 + +**技术趋势：** +- **半监督学习**：伪标签技术被所有前排方案使用 +- **SED 模型**：Sound Event Detection 架构成为主流 +- **数据增强**：MixUp、Sumix、SpecAugment 广泛应用 +- **模型集成**：5-20 个模型的集成是常态 +- **领域适应**：针对训练-测试分布差异的各种处理策略 + +**关键创新：** +- **多迭代 Noisy Student** (1st Place)：MixUp + 幂次变换伪标签 +- **Soft AUC Loss** (4th Place)：支持软标签的 AUC 损失函数 +- **自蒸馏技术** (5th Place)：迭代丰富次要标签 +- **Silero VAD 预处理** (5th Place)：去除人声干扰 +- **滑动窗口推理** (1st Place)：帧预测平均，避免数据丢弃 + +**前排方案总结（Top 14）：** + +| 排名 | 团队/作者 | 核心技术 | 模型 | 关键创新 | +|------|----------|---------|------|----------| +| **1st** | Nikita Babych | Multi-Iterative Noisy Student + MixUp | SED模型 | 幂次变换伪标签 + 滑动窗口推理 | +| **2nd** | Volodymyr Vialactea | Pseudo-labeling + 预训练 | tf_efficientnetv2_s + eca_nfnet_l0 | Xeno-Canto 预训练 + 5秒片段 | +| **3rd** | - | 20 模型集成（10 CNN + 10 SED） | 多种 backbone | BirdCLEF 2023+2025 数据合并 | +| **4th** | dylan.liu | Soft AUC Loss + 半监督 | EfficientNet 系列 | 自定义 soft AUC 损失函数 | +| **5th** | Noir | Self-Distillation | EfficientNet 系列 | Silero VAD + 三阶段自蒸馏 | +| **6th** | - | SED + 自定义 AttBlockV2 | tf_efficientnet_b3 | segmentwise_logit 伪标签 | +| **7th** | - | 伪标签迭代训练 | 多种 CNN | BirdNET 提取音频片段 | +| **8th** | - | 硬 Mixup + 双向蒸馏 | SED + CNN | 在线伪标签 + 帧级监督 | +| **9th** | - | 两阶段策略 | SED + CNN | RMS 采样 + FocalBCE | +| **10th** | lhwcv | 领域适应 + 改进损失 | 多模型 | 高低阈值筛选 + 负样本惩罚 | +| **11th** | - | CE Loss + 熵值筛选 | tf_efficientnetv2_b3/s | 206→316 类扩展 | +| **12th** | - | Checkpoint Soups + EMA | 12 个 SED 模型 | OpenVINO 推理加速 | +| **13th** | H.K.Z. | 领域偏移处理 | seresnext26t + v2_b3 | Sumix + 罕见物种模型 | +| **14th** | - | 知识蒸馏 | tf_efficientnetv2_m | 块级伪标签 + 加权蒸馏 | + +#### 前排方案详细技术分析 + +**1st Place - Multi-Iterative Noisy Student (Nikita Babych)** + +核心技巧： +- **多迭代 Noisy Student 自训练**：MixUp + 幂次变换伪标签，固定混合权重 0.5 +- **SED 帧预测推理**：相邻音频块的帧预测平均（1D 滑动窗口），避免丢弃有价值数据 +- **幂次变换伪标签**：直接温度缩放会提高噪声概率，幂次变换可防止噪声放大 +- **Xeno-Canto 扩展数据**：针对两栖类和昆虫类标签组训练单独模型 + +实现细节： +- 使用 20 秒音频块处理 +- 伪标签采样器根据每个 soundscape 标签最大值之和分配权重 +- 推理通过平均相邻块重叠的帧预测，然后平滑和 delta shift + +**2nd Place - Pseudo-labeling + 预训练 (Volodymyr Vialactea)** + +核心技巧： +- **Xeno-Canto 预训练**：下载外部数据并清洗，过滤当年比赛物种避免数据泄漏 +- **5 秒随机片段**：尝试多种采样方法减少误报 +- **预训练模型微调**：AUC 从 0.83-0.84 跳升至 0.86-0.87 +- **多种验证策略**：确保每个类至少有一个样本 +- **平衡采样策略**：平衡、平方和上采样等多种策略 + +实现细节： +- 使用 tf_efficientnetv2_s 和 eca_nfnet_l0 作为骨干网络 +- Spec → 2D CNN 方法 +- 保留 RandomFiltering 和 SpecAug 设置 + +**3rd Place - 20 模型集成 (Team)** + +核心技巧： +- **BirdCLEF 2023+2025 数据合并**：结合历年数据扩充训练集 +- **20 模型集成**：10 CNN + 10 SED 模型 +- **两组 Mel 参数**：n_mels=128 和 96 探索不同频谱分辨率 +- **随机抽样代替前 5 秒**：基于 RMS 的抽样方法 +- **人声作为背景噪声**：提高环境适应性 + +实现细节： +- 使用多种 backbone：tf_efficientnet、mnasnet 等 +- CutMix、MixUp、Sumix 数据增强 +- Focal BCE 损失函数处理类别不平衡 +- 所有模型导出为 ONNX 格式 + +**4th Place - Soft AUC Loss (dylan.liu)** + +核心技巧： +- **Soft AUC 损失函数**：支持软标签，解决 AUC 损失不支持软标签问题 +- **半监督学习**：10 个 SED 模型对前 10 秒音频生成伪标签 +- **音频混合增强**：两段音频混合，标签取最大值 + +实现细节： +- Soft AUC 损失使 LB 从 0.850 提升到 0.901 +- 使用 EfficientNet 和 EfficientNetV2 系列 +- 10 个使用 EfficientNet 系列模型训练的 SED 模型 + +**5th Place - Self-Distillation (Noir)** + +核心技巧： +- **Silero VAD 数据清洗**：检测并去除包含人声的音频片段 +- **自蒸馏技术**：迭代将模型预测作为新标签丰富次要标签 +- **三阶段训练**： + 1. 初始训练 + 2. 仅使用 train_audio 自蒸馏 + 3. 结合 train_audio 和 train_soundscapes 自蒸馏 + +实现细节： +- 样本量 <30 的类别手动筛选 +- 清洗后文件使用前 60 秒，其他文件使用前 30 秒 +- 样本量 <20 的类别复制以平衡数据集 + +**6th Place - SED + AttBlockV2** + +核心技巧： +- **自定义 AttBlockV2**：通过 softmax 和 tanh 归一化，默认使用 sigmoid +- **segmentwise_logit 伪标签**：clipwise_output 值过小，使用 segmentwise_logit 生成伪标签 +- **伪标签迭代**：多轮训练，每轮使用多模型的 segmentwise_logit 输出 + +实现细节： +- 使用 tf_efficientnet_b3.ns_jft_in1k 和 tf_efficientnetv2_b3.in21k +- nn.BCEWithLogitsLoss 对 clipwise_output 和 segmentwise_logit 进行训练 + +**7th Place - BirdNET 片段提取** + +核心技巧： +- **BirdNET 提取音频片段**：对 train_soundscapes 推断，提取置信度 >0.1 的片段 +- **50% 伪标签概率**：训练期间随机从 soundscape 采样，50% 概率使用伪标签 +- **模型融合限制**：3 个模型足够，过多会损害分数 + +实现细节： +- 伪标签需归一化：`labels = labels - np.min(labels)` +- 使用原始信号模型和简单 CNN 增加集成多样性 + +**8th Place - 硬 Mixup + 双向蒸馏** + +核心技巧： +- **硬 Mixup**：数据混合后，损失为混合标签的损失 +- **在线伪标签**：训练过程中在线生成伪标签（片段级和帧级） +- **双向知识蒸馏**：不同模型相互学习 +- **MLD 知识蒸馏**：按 2023 年方案进行 + +实现细节： +- 伪标签阈值选择 0.4，平衡假阴性和假阳性 +- 两个 SED 模型 + 一个 CNN 模型 + +**9th Place - 两阶段策略** + +核心技巧： +- **RMS 采样**：基于信号能量的采样方法，比随机采样更有效 +- **去除 50% 人声**：完全去除会影响性能 +- **两阶段模型**： + 1. SED + CNN 模型（FocalBCE 和 CE+BCE） + 2. 伪标签再训练（提升 0.02+） + +实现细节： +- TTA：10 秒片段和 2 秒窗口长度 +- 原始信号：PitchShift、Shift、Sumix +- Mel-Spectrogram：Mixup2、Time masking、FilterAugment、FrequencyMasking、PinkNoise + +**10th Place - 领域适应 + 改进损失 (lhwcv)** + +核心技巧： +- **高低阈值筛选**：从 stage1 模型生成软标签，筛选可信正负样本 +- **负样本惩罚策略**：对置信度较低的正样本也进行惩罚 +- **多分辨率 Mel 参数**：384x160、384x256、320x192、320x160 等 + +实现细节： +- SED + CE loss 基线 +- 平滑核预测平滑，alpha 值根据参考频率动态调整 + +**11th Place - CE Loss + 类扩展** + +核心技巧： +- **类别扩展**：从 206 类扩展至 316 类 +- **熵值筛选**：选择高质量伪标签 +- **CE Loss 替代 BCE**：性能从 0.83 提升至 0.88 + +实现细节： +- 最大样本 500，<10 样本类别上采样 +- 集成 5 个 v2b3 + 1 个 v2s 模型 + +**12th Place - Checkpoint Soups + EMA** + +核心技巧： +- **Checkpoint Soups**：平均第 30-50 epoch 权重，缓解稀有类宏 AUC 不稳定 +- **EMA（指数移动平均）**：衰减系数 0.999 +- **少数类子集训练**：冻结所有类预训练主干，仅对少数类 SED 头训练 + +实现细节： +- 12 个 OpenVINO 转换的 SED 模型 +- 加权移动平均 + 文件级平均概率后处理（提升 0.07-0.08） +- 三种不同管道类型集成 + +**13th Place - 领域偏移处理 (H.K.Z.)** + +核心技巧： +- **Sumix 替代 Mixup**：在原始音频信号上应用 +- **移除人声**：减少训练-测试分布差异 +- **罕见物种模型**：训练特定罕见物种模型，显著提升分数 + +实现细节： +- 基于 2023 年第二名代码训练基础 SED 模型 +- 四个步骤：基础模型、伪标签增强、模型集成、罕见物种模型 + +**14th Place - 知识蒸馏** + +核心技巧： +- **块级伪标签**：来自教师模型的 10 秒块级伪标签 +- **加权蒸馏**：全音频平均伪标签（0.3）+ 块级伪标签（0.7） +- **多轮蒸馏**：每轮基于 LB 改进选择最佳教师模型 + +实现细节： +- 仅使用 tf_efficientnetv2_m.in21k +- 邻近剪辑平滑：权重 0.1、0.8、0.1 +- OpenVINO 加速推理 + +--- + +## Original Summaries + +### BirdCLEF 2024 - Bird Sound Identification (2024) - 2026-01-23 +**Source:** [Kaggle Competition](https://www.kaggle.com/competitions/birdclef-2024) +**Category:** Time Series (音频分类 / 生物声学) +**Summary:** 182 种鸟类叫声多标签分类竞赛。数据包含 240,000+ 标注样本和未标注 soundscape。AUC-ROC 评估，CPU 120 分钟推理限制。**1st Place: Team Kefir** (vkop, great_alex, etc.)，Private LB 0.690。 + +**Key Techniques:** +- **Statistics T 噪声过滤**: T = std + var + rms + pwr，0.8 分位数过滤 +- **Google Bird Classifier 预标注**: 过滤低质量数据 + 伪标签生成（系数 0.05） +- **CE Loss + Sigmoid 推理**: 训练用 softmax（多分类），推理用 sigmoid（多标签） +- **Min() Ensemble**: 降低不确定预测，比简单平均更稳定 +- **伪标签迭代训练** (2nd Place): 3 次迭代循环，集成自我改进 +- **Checkpoint Soup** (2nd Place): 平均 13-50 epoch checkpoint 代替 early stopping +- **EfficientViT 快速推理** (3rd Place): ONNX 优化，5 fold 40 分钟 + +**Results:** 1st place (Private LB: 0.690, Public LB: 0.729, 2935 teams) + +**Resources:** +- [1st Place Writeup](https://www.kaggle.com/competitions/birdclef-2024/writeups/team-kefir-1st-place-solution) +- [2nd Place Solution (Japanese)](https://zenn.dev/yuto_mo/articles/85eee84a753159) +- [3rd Place GitHub](https://github.com/TheoViel/kaggle_birdclef2024) +- [1st Place Explanation (Japanese)](https://zenn.dev/yuto_mo/articles/ad43c630729073) + +### BirdCLEF+ 2025 - Multi-Taxonomic Sound Identification (2025) - 2026-01-22 +**Source:** [Kaggle Competition](https://www.kaggle.com/competitions/birdclef-2025) | [知乎 14个高分方案](https://zhuanlan.zhihu.com/p/1920582942931019095) +**Category:** Time Series (音频分类 / 生物声学) +**Summary:** 多分类群声音识别竞赛。数据包含 206 个物种（鸟类、两栖、哺乳、昆虫），需从连续音频中识别物种。**1st Place: Nikita Babych**，Private LB 0.927。 + +**Key Techniques:** +- **Noisy Student 自训练**: 多迭代半监督学习，MixUp 混合伪标签与训练数据 +- **自蒸馏 (Self-Distillation)**: 模型预测作为新标签迭代训练 +- **SED (Sound Event Detection)**: 帧级预测 + 滑动窗口推理 +- **伪标签技术**: 利用未标注 train_soundscapes 数据 +- **领域适应**: 解决训练-测试分布差异 +- **Soft AUC Loss**: 支持软标签的 AUC 损失函数 +- **Silero VAD**: 去除人声干扰 + +**Results:** 1st place (Private LB: 0.927, ~2000 teams) + +**Resources:** +- [1st Place Solution (Kaggle)](https://www.kaggle.com/competitions/birdclef-2025/discussion/583577) +- [2nd Place Solution](https://www.kaggle.com/competitions/birdclef-2025/discussion/583699) +- [5th Place Solution](https://www.kaggle.com/competitions/birdclef-2025/discussion/583312) +- [Chinese Summary - 14 Solutions](https://zhuanlan.zhihu.com/p/1920582942931019095) + +--- + +## Code Templates + +### Statistics T 噪声过滤（BirdCLEF 2024 - 1st Place） + +1st Place Team Kefir 的噪声过滤技巧，使用信号统计量过滤低质量数据： + +```python +import numpy as np +import librosa + +class StatisticsTNoiseFilter: + """ + Statistics T 噪声过滤 + 参考：BirdCLEF 2024 1st Place Solution + """ + + def __init__(self, quantile: float = 0.8): + self.quantile = quantile + + def compute_statistics(self, audio: np.ndarray, sample_rate: int) -> dict: + """计算音频统计量""" + # RMS (Root Mean Square) + rms = librosa.feature.rms(y=audio)[0] + + # 零交叉率 (Zero Crossing Rate) + zcr = librosa.feature.zero_crossing_rate(audio)[0] + + # 标准差 + std = np.std(audio) + + # 方差 + var = np.var(audio) + + # 功率 + pwr = np.mean(audio ** 2) + + return { + 'std': std, + 'var': var, + 'rms': np.mean(rms), + 'pwr': pwr, + 'zcr': np.mean(zcr), + } + + def compute_T(self, stats: dict) -> float: + """计算统计量 T""" + T = ( + stats['std'] + + stats['var'] + + stats['rms'] + + stats['pwr'] + ) + return T + + def filter_audio( + self, + audio_paths: list[str], + sample_rate: int = 32000 + ) -> list[str]: + """ + 过滤噪声音频 + + Args: + audio_paths: 音频文件路径列表 + sample_rate: 采样率 + + Returns: + filtered_paths: 过滤后的音频路径列表 + """ + T_values = [] + + # 计算所有音频的 T 值 + for path in audio_paths: + audio, _ = librosa.load(path, sr=sample_rate) + stats = self.compute_statistics(audio, sample_rate) + T = self.compute_T(stats) + T_values.append(T) + + # 使用分位数过滤 + threshold = np.quantile(T_values, self.quantile) + + # 只保留 T 值低于阈值的音频（噪声较小） + filtered_paths = [ + path for path, T in zip(audio_paths, T_values) + if T < threshold + ] + + print(f"过滤前: {len(audio_paths)} 过滤后: {len(filtered_paths)}") + return filtered_paths +``` + +### Google Bird Classifier 预标注（BirdCLEF 2024 - 1st Place） + +1st Place Team Kefir 使用 Google Bird Vocalization Classifier 进行数据过滤和预标注： + +```python +import numpy as np +import pandas as pd +from typing import Optional + +class GoogleClassifierPreLabeler: + """ + Google Bird Classifier 预标注 + 参考：BirdCLEF 2024 1st Place Solution + """ + + def __init__(self, model, pseudo_label_coeff: float = 0.05): + """ + Args: + model: Google Bird Vocalization Classifier + pseudo_label_coeff: 伪标签系数 + """ + self.model = model + self.pseudo_label_coeff = pseudo_label_coeff + + def predict(self, audio_chunk: np.ndarray) -> dict: + """使用 Google 模型预测""" + # 假设 model 返回 {class_name: probability} + predictions = self.model.predict(audio_chunk) + return predictions + + def filter_and_relabel( + self, + audio_path: str, + primary_label: str, + secondary_labels: Optional[list[str]] = None + ) -> Optional[dict]: + """ + 过滤低质量数据并重新标注 + + Args: + audio_path: 音频路径 + primary_label: 主要标签 + secondary_labels: 次要标签 + + Returns: + filtered_label: 过滤后的标签字典，None 表示应丢弃 + """ + # 获取 Google 预测 + predictions = self.predict(audio_path) + max_class = max(predictions, key=predictions.get) + max_prob = predictions[max_class] + + # 过滤：如果最大预测与 primary label 不匹配，丢弃 + if max_class != primary_label: + # 检查是否与 secondary label 匹配 + if secondary_labels and max_class in secondary_labels: + # 替换 primary label + primary_label = max_class + else: + # 丢弃该 chunk + return None + + # 构建标签向量 + num_classes = len(predictions) + label_vector = np.zeros(num_classes) + + # Primary label 权重 0.5 + label_vector[primary_label] = 0.5 + + # Secondary labels 分配剩余 0.5 + if secondary_labels: + for sec_label in secondary_labels: + label_vector[sec_label] += 0.5 / len(secondary_labels) + + # 添加 Google 预测作为伪标签 + for class_name, prob in predictions.items(): + label_vector[class_name] += self.pseudo_label_coeff * prob + + return {'label_vector': label_vector, 'primary': primary_label} + + def relabel_soundscape(self, audio_path: str) -> np.ndarray: + """为 soundscape 生成伪标签""" + predictions = self.predict(audio_path) + return np.array([predictions.get(cls, 0) for cls in range(self.num_classes)]) +``` + +### CE Loss + Sigmoid 推理（BirdCLEF 2024 - 1st Place） + +1st Place Team Kefir 的创新：训练用 CE Loss + Softmax，推理用 Sigmoid： + +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class CESigmoidTrainer: + """ + CE Loss 训练 + Sigmoid 推理 + 参考：BirdCLEF 2024 1st Place Solution + + 核心思想： + - 训练时用 CE Loss + Softmax（多分类问题） + - 推理时用 Sigmoid（多标签预测） + - 原因：数据大多只有 1-2 个标签，可视为多分类 + """ + + def __init__(self, model: nn.Module, num_classes: int): + self.model = model + self.num_classes = num_classes + self.criterion = nn.CrossEntropyLoss() + + def train_step(self, batch: dict) -> torch.Tensor: + """ + 训练步骤：使用 CE Loss + Softmax + + Args: + batch: 包含 'mel_spec' 和 'labels' + + Returns: + loss: CE Loss + """ + mel_spec = batch['mel_spec'] # (B, C, H, W) + labels = batch['labels'] # (B, num_classes) + + # 前向传播 + logits = self.model(mel_spec) # (B, num_classes) + + # 对于多标签数据，取最大标签作为训练目标 + # （因为 CE Loss 是多分类损失） + target_labels = torch.argmax(labels, dim=1) # (B,) + + # CE Loss + Softmax + loss = self.criterion(logits, target_labels) + + return loss + + @torch.no_grad() + def predict(self, mel_spec: torch.Tensor) -> torch.Tensor: + """ + 推理步骤：使用 Sigmoid + + Args: + mel_spec: (B, C, H, W) + + Returns: + probabilities: (B, num_classes), Sigmoid 概率 + """ + logits = self.model(mel_spec) # (B, num_classes) + + # 推理时使用 Sigmoid（多标签预测） + probabilities = torch.sigmoid(logits) + + return probabilities + + def fit(self, train_loader, val_loader, num_epochs: int, lr: float = 1e-3): + """训练循环""" + optimizer = torch.optim.AdamW(self.model.parameters(), lr=lr) + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=num_epochs + ) + + for epoch in range(num_epochs): + # 训练 + self.model.train() + train_loss = 0 + for batch in train_loader: + loss = self.train_step(batch) + loss.backward() + optimizer.step() + optimizer.zero_grad() + train_loss += loss.item() + + # 验证（用 Sigmoid） + self.model.eval() + val_preds = [] + val_labels = [] + for batch in val_loader: + mel_spec = batch['mel_spec'] + labels = batch['labels'] + probs = self.predict(mel_spec) + val_preds.append(probs.cpu().numpy()) + val_labels.append(labels.cpu().numpy()) + + # 计算验证指标 + val_preds = np.concatenate(val_preds) + val_labels = np.concatenate(val_labels) + val_auc = self.compute_auc(val_labels, val_preds) + + print(f"Epoch {epoch}: Train Loss={train_loss/len(train_loader):.4f}, Val AUC={val_auc:.4f}") + scheduler.step() +``` + +### Min() Ensemble（BirdCLEF 2024 - 1st Place） + +1st Place Team Kefir 的 Min() Ensemble，降低不确定预测： + +```python +import numpy as np +import torch + +class MinEnsemble: + """ + Min() Ensemble + 参考：BirdCLEF 2024 1st Place Solution + + 核心思想： + - 使用 min() 而不是 mean() 聚合模型预测 + - 降低不确定预测，提高稳定性 + """ + + def __init__(self, models: list[nn.Module]): + self.models = models + + @torch.no_grad() + def predict_min(self, mel_spec: torch.Tensor) -> np.ndarray: + """ + 使用 Min() 聚合预测 + + Args: + mel_spec: (B, C, H, W) + + Returns: + predictions: (B, num_classes), min() 聚合后的概率 + """ + predictions = [] + + # 获取所有模型的预测 + for model in self.models: + model.eval() + logits = model(mel_spec) + probs = torch.sigmoid(logits) # Sigmoid + predictions.append(probs.cpu().numpy()) + + # Stack: (num_models, B, num_classes) + predictions = np.stack(predictions, axis=0) + + # Min() 聚合 + min_predictions = np.min(predictions, axis=0) + + return min_predictions + + def predict_mean(self, mel_spec: torch.Tensor) -> np.ndarray: + """传统 Mean() 聚合（对比用）""" + predictions = [] + + for model in self.models: + model.eval() + logits = model(mel_spec) + probs = torch.sigmoid(logits) + predictions.append(probs.cpu().numpy()) + + predictions = np.stack(predictions, axis=0) + mean_predictions = np.mean(predictions, axis=0) + + return mean_predictions + +# 使用示例 +# min_ensemble = MinEnsemble([model1, model2, model3, model4, model5]) +# predictions = min_ensemble.predict_min(test_mel_spec) +``` + +### Checkpoint Soup（BirdCLEF 2024 - 2nd Place） + +2nd Place ADSR 的 Checkpoint Soup 技巧： + +```python +import torch +import torch.nn as nn +from typing import list + +class CheckpointSoup: + """ + Checkpoint Soup + 参考：BirdCLEF 2024 2nd Place Solution + + 核心思想： + - 平均多个 epoch 的 checkpoint 权重 + - 代替 early stopping + - 通常更稳定 + """ + + def __init__(self, model: nn.Module, metrics: list[str] = ['auc', 'lrap', 'f1']): + self.model = model + self.metrics = metrics + self.checkpoints = [] # 存储 (epoch, state_dict, scores) + + def add_checkpoint(self, epoch: int, state_dict: dict, scores: dict): + """ + 添加 checkpoint + + Args: + epoch: epoch 编号 + state_dict: 模型权重 + scores: 验证指标 {metric_name: score} + """ + # 检查是否有任意指标改进 + should_save = False + for metric in self.metrics: + if epoch == 0: + should_save = True + break + best_score = max([ckpt[2].get(metric, 0) for ckpt in self.checkpoints]) + if scores.get(metric, 0) >= best_score: + should_save = True + break + + if should_save: + self.checkpoints.append((epoch, state_dict.copy(), scores)) + print(f"Checkpoint {epoch} saved: {scores}") + + def make_soup(self) -> dict: + """ + 制作 Checkpoint Soup + + Returns: + soup_state_dict: 平均后的权重 + """ + if not self.checkpoints: + raise ValueError("No checkpoints to average") + + # 初始化 soup + soup_state_dict = self.checkpoints[0][1].copy() + + # 累加所有 checkpoint + for _, ckpt, _ in self.checkpoints[1:]: + for key in soup_state_dict.keys(): + if key in ckpt: + soup_state_dict[key] += ckpt[key] + + # 平均 + num_checkpoints = len(self.checkpoints) + for key in soup_state_dict.keys(): + soup_state_dict[key] /= num_checkpoints + + print(f"Soup made from {num_checkpoints} checkpoints (epochs: {[ckpt[0] for ckpt in self.checkpoints]})") + return soup_state_dict + + def load_soup(self, model: nn.Module): + """加载 soup 到模型""" + soup = self.make_soup() + model.load_state_dict(soup) + return model + +# 使用示例 +# checkpoint_soup = CheckpointSoup(model, metrics=['auc', 'lrap', 'f1']) +# +# # 训练循环中 +# for epoch in range(num_epochs): +# train(...) +# scores = validate(...) +# checkpoint_soup.add_checkpoint(epoch, model.state_dict(), scores) +# +# # 训练结束后 +# final_model = checkpoint_soup.load_soup(model) +``` + +### 伪标签迭代训练（BirdCLEF 2024 - 2nd Place） + +2nd Place ADSR 的伪标签迭代训练循环： + +```python +import numpy as np +import torch +from typing import list + +class IterativePseudoLabeling: + """ + 伪标签迭代训练 + 参考：BirdCLEF 2024 2nd Place Solution + + 核心思想： + - 用当前集成生成伪标签 + - 用伪标签训练新模型 + - 新模型加入集成，重复循环 + """ + + def __init__( + self, + base_model_class, + pseudo_label_chance: float = 0.35, + amp_exp_min: float = -0.5, + amp_exp_max: float = 0.1, + num_iterations: int = 3, + ): + self.base_model_class = base_model_class + self.pseudo_label_chance = pseudo_label_chance + self.amp_exp_min = amp_exp_min + self.amp_exp_max = amp_exp_max + self.num_iterations = num_iterations + self.ensemble_models = [] + + def generate_pseudo_labels( + self, + unlabeled_audio_paths: list[str], + unlabeled_soundscapes: list[str] + ) -> list[dict]: + """ + 生成伪标签 + + Args: + unlabeled_audio_paths: 未标注音频路径 + unlabeled_soundscapes: 未标注 soundscape 路径 + + Returns: + pseudo_samples: [{audio_path, label_vector}, ...] + """ + pseudo_samples = [] + + for audio_path in unlabeled_soundscapes: + # 用集成模型预测 + predictions = [] + for model in self.ensemble_models: + pred = self.predict_with_model(model, audio_path) + predictions.append(pred) + + # 平均预测 + avg_pred = np.mean(predictions, axis=0) + pseudo_samples.append({ + 'audio_path': audio_path, + 'label_vector': avg_pred + }) + + return pseudo_samples + + def mix_pseudo_labels( + self, + train_sample: dict, + pseudo_sample: dict, + ) -> tuple[torch.Tensor, torch.Tensor]: + """ + 混合训练样本和伪标签样本 + + Args: + train_sample: 训练样本 {audio, label_vector} + pseudo_sample: 伪标签样本 {audio, label_vector} + + Returns: + mixed_audio: 混合后的音频 + mixed_label: 混合后的标签 + """ + train_audio = train_sample['audio'] + train_label = train_sample['label_vector'] + pseudo_audio = pseudo_sample['audio'] + pseudo_label = pseudo_sample['label_vector'] + + # 随机幅度系数 + amp_factor = 10 ** np.random.uniform(self.amp_exp_min, self.amp_exp_max) + + # 混合音频 + mixed_audio = train_audio * amp_factor + pseudo_audio * amp_factor + + # 混合标签（取 max） + mixed_label = np.maximum(train_label, pseudo_label) + + return mixed_audio, mixed_label + + def train_with_pseudo_labels( + self, + train_data: list[dict], + pseudo_samples: list[dict], + num_epochs: int = 50, + ): + """使用伪标签训练新模型""" + model = self.base_model_class() + optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3) + criterion = torch.nn.BCEWithLogitsLoss() + + for epoch in range(num_epochs): + for train_sample in train_data: + # 随机决定是否添加伪标签 + if np.random.random() < self.pseudo_label_chance: + # 随机选择一个伪标签样本 + pseudo_sample = np.random.choice(pseudo_samples) + audio, label = self.mix_pseudo_labels(train_sample, pseudo_sample) + else: + audio = train_sample['audio'] + label = train_sample['label_vector'] + + # 训练步骤 + loss = self.train_step(model, audio, label, criterion) + loss.backward() + optimizer.step() + optimizer.zero_grad() + + return model + + def fit(self, train_data, unlabeled_soundscapes): + """完整的迭代训练循环""" + for iteration in range(self.num_iterations): + print(f"\n=== Iteration {iteration + 1}/{self.num_iterations} ===") + + # 生成伪标签 + pseudo_samples = self.generate_pseudo_labels(train_data, unlabeled_soundscapes) + print(f"Generated {len(pseudo_samples)} pseudo labels") + + # 训练新模型 + new_model = self.train_with_pseudo_labels(train_data, pseudo_samples) + self.ensemble_models.append(new_model) + + # 评估集成性能 + ensemble_score = self.evaluate_ensemble() + print(f"Ensemble score: {ensemble_score:.4f}") + + return self.ensemble_models +``` + +### 音频分类竞赛的最佳实践（BirdCLEF 2024） + +**与 BirdCLEF+ 2025 的主要差异：** +| 维度 | BirdCLEF 2024 | BirdCLEF+ 2025 | +|------|---------------|----------------| +| **物种数量** | 182 种鸟类 | 206 种（多分类群） | +| **推理限制** | 120 分钟 CPU | 90 分钟 CPU | +| **数据策略** | 不用外部数据更优 | Xeno-Canto 预训练重要 | +| **关键创新** | Statistics T 过滤 | Noisy Student + 自蒸馏 | +| **损失函数** | CE Loss（训练）+ Sigmoid（推理） | BCE + FocalLoss | + +#### BirdCLEF 2024 前排方案共性技术 + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **只用前 5 秒** | 1st, 2nd | 后续信息贡献小，节省计算 | +| **伪标签** | 1st, 2nd, 3rd | 利用未标注 soundscape | +| **Ensemble** | 所有前排 | 5-20 模型集成 | +| **OpenVINO/ONNX** | 1st, 3rd | CPU 推理加速必需 | +| **小模型** | 所有前排 | B0/ViT-b0 级别，控制推理时间 | + +#### BirdCLEF 2024 独特技术（与 2025 不同） + +**1. Statistics T 噪声过滤（1st Place）** +```python +# T = std + var + rms + pwr +# 使用 0.8 分位数过滤噪声音频 +T = std + var + rms + pwr +threshold = np.quantile(T, 0.8) +clean_data = data[T < threshold] +``` + +**2. CE Loss + Sigmoid 推理（1st Place）** +- 训练：CE Loss + Softmax（多分类问题） +- 推理：Sigmoid（多标签预测） +- 原因：数据大多只有 1-2 个标签，可视为多分类 +- **注意**：这与 BirdCLEF+ 2025 不同，2025 使用 BCE + FocalLoss + +**3. Min() Ensemble（1st Place）** +```python +# 降低不确定预测，比 mean() 更稳定 +predictions = np.min([model1_pred, model2_pred, model3_pred], axis=0) +``` + +**4. Google Bird Classifier 预标注（1st Place）** +- 使用 Google 模型过滤低质量数据 +- 如果预测与 primary label 不匹配，丢弃 +- 添加 Google 预测作为伪标签（系数 0.05） + +**5. Checkpoint Soup（2nd Place）** +- 平均 13-50 epoch 的 checkpoint +- 代替 early stopping +- 比单 checkpoint 更稳定 + +**6. 伪标签迭代训练（2nd Place）** +- 3 次迭代循环 +- 每次用新集成生成伪标签 +- 25-45% 概率添加伪标签数据 + +#### BirdCLEF 2024 推理优化（120 分钟限制） + +**前排方案的优化策略：** + +| 技术 | 说明 | 排名 | +|------|------|------| +| **OpenVINO 编译** | 固定输入大小，加速推理 | 1st | +| **并行 Mel 计算** | joblib 并行预处理 | 1st, 2nd | +| **RAM 缓存** | 预计算所有 mel spec 存入内存 | 1st | +| **小图像尺寸** | 64x64, 128x128 等 | 2nd | +| **ONNX 优化** | 5 fold 40 分钟 | 3rd | + +#### BirdCLEF 2024 数据处理最佳实践 + +**数据过滤：** +| 问题 | 解决方案 | +|------|----------| +| **噪声数据** | Statistics T 过滤（0.8 分位数） | +| **低质量标注** | Google Classifier 过滤 | +| **重复数据** | 去重处理 | + +**数据增强（2nd Place）：** +```python +# 局部和全局时间/频率拉伸 +# 通过调整图像大小实现 +augmented = resize(mel_spec, (new_height, new_width)) +``` + +#### BirdCLEF 2024 vs 2025：为何策略不同？ + +| 方面 | BirdCLEF 2024 | BirdCLEF+ 2025 | 原因 | +|------|---------------|----------------|------| +| **外部数据** | 不用更优 | Xeno-Canto 关键 | 2024 数据质量高，2025 需要预训练 | +| **损失函数** | CE Loss | BCE + Focal | 2024 数据大多 1-2 标签，2025 更复杂 | +| **集成策略** | Min() | Mean() | 2024 用 Sigmoid 噪声大，Min 更稳定 | + +#### BirdCLEF 2024 常见陷阱 + +| 陷阱 | 说明 | 解决方案 | +|------|------|----------| +| **使用外部数据** | Xeno-Canto 反而降低分数 | 只用 2024 数据 | +| **BCE Loss** | 比 CE Loss 效果差 | CE Loss + Sigmoid 推理 | +| **Mean Ensemble** | 对 Sigmoid 输出不稳定 | Min() Ensemble | +| **忽略 Statistics T** | fold0 优于其他 fold | 用统计量过滤噪声 | +| **太大模型** | 推理超时 | B0/RegNetY 级别 | + +### 音频分类竞赛的最佳实践（BirdCLEF+ 2025） + +与通用时间序列分类不同，音频分类（生物声学）有特殊的挑战和技术： + +| 方面 | 通用时序分类 | 音频分类（生物声学） | +|------|-------------|---------------------| +| **特征表示** | 原始信号/统计特征 | Mel-Spectrogram（时频表示） | +| **模型架构** | 1D-CNN/RNN/Transformer | SED 模型（2D-CNN + Attention） | +| **数据特点** | 通常标注完整 | 大量未标注数据（半监督学习关键） | +| **类别分布** | 相对均衡 | 极端长尾（稀有物种 <10 样本） | +| **推理约束** | 通常无特殊限制 | 严格时间限制（90分钟CPU） | +| **评估指标** | Accuracy/F1/ MSE | 宏平均 AUC（每个类独立） | + +#### BirdCLEF+ 2025 前排方案共性技术 + +**"银弹" - 所有前排方案共同使用：** + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **伪标签技术** | 1st-14th | 利用未标注 train_soundscapes 数据 | +| **Mel-Spectrogram** | 1st-14th | 将音频转换为图像表示 | +| **SED 模型架构** | 1st-14th | 帧级 + 片级预测 | +| **模型集成** | 1st-14th | 5-20 个模型集成 | +| **SpecAugment** | 1st-14th | 时间/频率掩码增强 | +| **EfficientNet 系列** | 多数 | tf_efficientnetv2_s/b3/m 作为 backbone | + +#### Mel-Spectrogram 配置最佳实践 + +前排方案使用的配置总结： + +| 配置 | n_mels | n_fft | hop_length | 使用场景 | +|------|--------|-------|-------------|----------| +| **标准配置** | 128 | 2048 | 512 | tf_efficientnetv2 系列（最常用） | +| **轻量配置** | 96 | 2048 | 512 | 轻量级模型，推理加速 | +| **高分辨率** | 256 | 4096 | 1024 | 高精度要求 | + +**频率范围设置（关键）：** +```python +# 鸟类声音频率范围 +FMIN = 0.0 # 最低频率（有些方案用 50Hz 过滤低频噪声） +FMAX = 16000.0 # 最高频率（32kHz 采样率的一半） + +# 稀有物种可能需要调整 +FMIN_RARE = 100.0 # 过滤低频环境噪声 +FMAX_RARE = 15000.0 # 避免高频噪声 +``` + +#### 半监督学习最佳实践（伪标签） + +**伪标签生成流程（前排方案共识）：** + +``` +阶段 1: 基础模型训练 + └── 使用 train_audio（有标签）训练 SED 模型 + +阶段 2: 伪标签生成 + ├── 对 train_soundscapes 进行推理 + ├── 应用高低阈值筛选 + │ ├── 高阈值（≥0.7）: 正样本 + │ └── 低阈值（≤0.3）: 负样本 + └── 幂次变换减少噪声（1st Place 创新） + +阶段 3: 混合训练 + ├── 50% train_audio + 50% 伪标签数据 + ├── MixUp 增强混合数据 + └── 迭代 2-3 次 +``` + +**关键参数（前排方案范围）：** +| 参数 | 范围 | 推荐值 | 说明 | +|------|------|--------|------| +| **高阈值** | 0.6-0.8 | 0.7 | 正样本置信度阈值 | +| **低阈值** | 0.2-0.4 | 0.3 | 负样本置信度阈值 | +| **幂次变换** | 1.2-2.0 | 1.5 | 减少伪标签噪声 | +| **混合比例** | 30%-50% | 50% | 伪标签数据占比 | + +**伪标签质量检查（10th Place 方法）：** +```python +# 高低阈值筛选 +high_threshold = 0.7 +low_threshold = 0.3 + +# 正样本：高置信度 +positive_mask = probs >= high_threshold + +# 负样本：低置信度 +negative_mask = probs <= low_threshold + +# 中等置信度：不使用（可能是噪声） +uncertain_mask = (probs > low_threshold) & (probs < high_threshold) + +# 只使用正负样本 +valid_mask = positive_mask | negative_mask +``` + +#### 推理优化最佳实践（90 分钟约束） + +BirdCLEF+ 2025 最关键的约束是 90 分钟 CPU 推理限制。前排方案的优化策略： + +**模型优化：** +| 技术 | 使用排名 | 加速比 | 说明 | +|------|---------|--------|------| +| **ONNX 导出** | 3rd, 12th, 14th | 2-3x | 标准化推理格式 | +| **OpenVINO** | 12th | 3-5x | Intel 优化，CPU 最优 | +| **模型量化** | 部分方案 | 1.5-2x | INT8 量化（可能损失精度） | +| **Batch 推理** | 所有方案 | 2-4x | 批量推理提高利用率 | + +**Mel-Spectrogram 预计算：** +```python +# 推理阶段预先计算所有 mel-spectrogram +# 避免 GPU-CPU 数据传输开销 + +def precompute_mel_spectrograms(audio_files, cache_dir="cache/mel"): + """预计算并缓存 mel-spectrogram""" + os.makedirs(cache_dir, exist_ok=True) + + for audio_file in tqdm(audio_files): + cache_path = os.path.join(cache_dir, f"{Path(audio_file).stem}.npy") + + if not os.path.exists(cache_path): + # 计算 mel-spectrogram + waveform, sr = torchaudio.load(audio_file) + mel_spec = extract_mel_spectrogram(waveform, sr) + + # 缓存 + np.save(cache_path, mel_spec.numpy()) +``` + +**滑动窗口优化（1st Place 创新）：** +```python +# 使用相邻窗口预测的平均值 +# 避免重复计算，提高推理效率 + +def sliding_window_inference_optimized(model, audio_path): + """优化的滑动窗口推理""" + waveform, sr = torchaudio.load(audio_path) + + # 一次性提取所有窗口的 mel-spectrogram + # 避免重复计算 + all_windows = extract_all_windows(waveform, sr) + + # Batch 推理 + with torch.no_grad(): + predictions = model(all_windows) # (num_windows, num_classes) + + # 相邻窗口平均（1st Place 创新） + smoothed_predictions = smooth_adjacent_windows(predictions) + + return smoothed_predictions +``` + +**前后处理优化：** +| 技术 | 说明 | +|------|------| +| **NumPy 向量化** | 避免循环，使用 NumPy 内置函数 | +| **多进程推理** | 并行处理多个音频文件 | +| **结果缓存** | 避免重复计算 | +| **精简后处理** | 简单平滑即可，避免复杂操作 | + +#### 长尾分布处理最佳实践 + +BirdCLEF+ 2025 数据集存在极端长尾分布（某些物种 <10 样本）： + +**前排方案的处理策略：** + +| 策略 | 使用排名 | 说明 | +|------|---------|------| +| **过采样** | 多数 | 复制稀有类样本至 20-50 | +| **损失加权** | 部分方案 | 稀有类更高权重 | +| **Focal Loss** | 9th Place | 自动处理难样本 | +| **分开训练** | 7th, 13th | 稀有类单独训练模型 | +| **数据增强** | 所有方案 | MixUp/SpecAugment 增加多样性 | + +**稀有物种模型训练（13th Place 策略）：** +```python +# 识别稀有物种（样本数 < 30） +rare_species = [species for species in all_species + if get_sample_count(species) < 30] + +# 训练稀有物种专用模型 +rare_model = create_model(num_classes=len(rare_species)) +rare_model.train_on(rare_species_data) + +# 集成时加入稀有模型预测 +final_prediction = 0.7 * general_model + 0.3 * rare_model +``` + +#### 模型集成最佳实践 + +前排方案的集成策略总结： + +**集成规模：** +| 排名 | 模型数量 | 架构多样性 | 说明 | +|------|---------|-----------|------| +| **1st** | ~10 | 多迭代 Noisy Student | 同一模型不同迭代 | +| **2nd** | ~5-8 | 不同 backbone | tf_efficientnetv2_s + eca_nfnet_l0 | +| **3rd** | 20 | 10 CNN + 10 SED | 最大规模集成 | +| **5th** | ~5-10 | EfficientNet 系列 | 自蒸馏不同阶段 | + +**集成方法：** +```python +# 简单平均（最常用） +predictions = np.mean([model1_pred, model2_pred, model3_pred], axis=0) + +# 加权平均（需要验证集调优） +weights = [0.3, 0.3, 0.4] +predictions = np.average([model1_pred, model2_pred, model3_pred], + axis=0, weights=weights) + +# Min-max 缩放后平均（7th Place） +for i in range(len(predictions)): + pred_min = predictions[i].min() + pred_max = predictions[i].max() + predictions[i] = (predictions[i] - pred_min) / (pred_max - pred_min) + +predictions = np.mean(predictions, axis=0) +``` + +**集成多样性（关键）：** +| 维度 | 多样性来源 | 说明 | +|------|-----------|------| +| **架构** | 不同 backbone | EfficientNetV2 vs NFNet | +| **数据** | 不同训练数据 | 原始 vs 伪标签 vs Xeno-Canto | +| **阶段** | 不同训练阶段 | Checkpoint Soups (12th Place) | +| **配置** | 不同 mel 参数 | n_mels=128 vs 96 | +| **随机性** | 不同随机种子 | 数据增强和初始化差异 | + +#### 常见陷阱和注意事项 + +基于前排方案经验： + +| 陷阱 | 说明 | 解决方案 | +|------|------|---------| +| **过拟合验证集** | LB 和 CV 分数差距大 | 更保守的集成，减少后处理 | +| **伪标签噪声累积** | 多次迭代后性能下降 | 幂次变换 + 高低阈值筛选 | +| **稀有物种检测失败** | 长尾类预测全为 0 | 单独训练稀有模型 + Focal Loss | +| **推理超时** | 90 分钟不够 | ONNX/OpenVINO + Batch 推理 | +| **人声干扰** | 背景人声导致误检 | Silero VAD 去除人声片段 | +| **测试集分布偏移** | 训练/测试环境差异 | 领域适应技术（13th Place） | + +--- + +--- + +## Google Brain - Ventilator Pressure Prediction (2021) + +### Competition Brief (竞赛简介) + +**竞赛背景：** +- **主办方**：Google Brain +- **目标**：预测机械呼吸机气道压力（时序回归任务） +- **应用场景**：自动化机械通气控制，辅助重症监护治疗 +- **社会意义**：减少医护人员手动调整呼吸机的工作量，提高治疗精度 + +**任务描述：** +从呼吸机的控制信号和肺部属性中，预测气道压力： +- **输入**：时间序列控制信号（u_in, u_out）+ 肺部属性（R, C） +- **输出**：每个时间步的气道压力（连续值） +- **约束**：测试集中 66% 的数据由 PID 控制器生成 + +**数据集规模：** +- 训练样本：6,036,000 条时间步 +- 测试样本：4,024,000 条时间步 +- 呼吸次数：约 75,450 次呼吸（训练）+ 40,240 次呼吸（测试） +- 患者数量：数千个不同患者的肺部特征 + +**数据特点：** +1. **PID 控制模式**：测试集中 2/3 的数据遵循 PID 控制规律 +2. **双重输入**：控制信号（u_in 连续，u_out 二值）+ 肺部属性（R 电阻，C 顺应性） +3. **时间步长**：80 步/次呼吸，不同患者呼吸模式不同 +4. **物理约束**：压力变化需遵循呼吸力学规律 + +**评估指标：** +- **MAE (Mean Absolute Error)**：平均绝对误差 +- 目标：最小化预测压力与真实压力的绝对差异 + +**竞赛约束：** +- 代码提交：Kaggle Notebooks 环境 +- 推理时间：无严格限制，但需考虑实用性 +- 模型大小：需平衡精度和推理速度 + +**最终排名：** +- 1st Place: group16 (Gilles Vandewiele et al.) - MAE ~0.104 +- 2nd Place: ambrosm - MAE ~0.105 +- 3rd Place: Upstage - MAE ~0.106 +- 总参赛队伍：2,605 支 + +**技术趋势：** +- **PID 逆向建模**：前排方案的核心创新 +- **多任务学习**：同时预测压力和压力变化 +- **LSTM/Transformer 混合**：结合时序建模和注意力机制 +- **集成策略**：3-10 个模型集成 + +**关键创新：** +- **PID Controller Matching**：利用 PID 控制规律直接拟合（1st, 2nd, 4th Place） +- **Delta Pressure 辅助任务**：预测压力差提升主任务（6th, 14th, 20th Place） +- **物理约束嵌入**：将呼吸力学知识融入模型（3rd Place） + +**后续影响：** +- 推动了医疗时序预测的发展 +- PID 逆向建模成为经典技巧 +- 多篇研究论文引用该比赛方法 + +--- + +### Original Summaries (原始总结) + +**前排方案概述：** + +1. **PID 控制器逆向流派（1st, 2nd, 4th Place）** + - 利用测试集中 66% 数据遵循 PID 控制的规律 + - 通过逆向 PID 公式直接预测压力 + - 无需深度学习即可获得极好结果 + +2. **深度学习流派（3rd, 6th, 14th Place）** + - 使用 LSTM/Transformer 建模时序依赖 + - 多任务学习预测压力和压力差 + - 不依赖 PID 规律，更通用 + +3. **混合流派（16th, 20th Place）** + - 结合 PID 匹配和深度学习 + - 使用辅助任务提升性能 + - 中间排名的务实策略 + +--- + +### 前排方案详细技术分析 + +#### 1st Place - group16 (Gilles Vandewiele et al.) + +**核心技巧：** +- **PID Controller Matching**：核心创新，拟合测试集 PID 控制规律 +- **LSTM + CNN + Transformer 混合架构**：深度学习部分 +- **两阶段预测**：先用 PID 匹配 66% 数据，再用 DL 预测剩余 34% +- **模型集成**：多个模型组合提升稳定性 + +**实现细节：** +- **PID 逆向公式**： + - 从 u_in 信号逆向推导目标压力 + - 拟合 PID 参数：Kp, Ki, Kd + - 对于 PID 控制的呼吸，MAE 可达到 0.05-0.08 + +- **深度学习模型**： + ```python + # LSTM + CNN + Transformer 混合架构 + class VentilatorModel(nn.Module): + def __init__(self): + self.cnn = CNN1D(input_dim=5) # u_in, u_out, R, C, time_step + self.lstm = LSTM(hidden_dim=256, num_layers=2) + self.transformer = TransformerEncoder(num_layers=2, nhead=8) + self.fc = Linear(256, 1) # 预测压力 + + def forward(self, x): + # CNN 提取局部特征 + x = self.cnn(x) + # LSTM 建模时序依赖 + x = self.lstm(x) + # Transformer 捕获长距离依赖 + x = self.transformer(x) + # 预测压力 + return self.fc(x) + ``` + +- **两阶段策略**： + 1. 识别测试集中哪些呼吸由 PID 控制（约 66%） + 2. 对 PID 呼吸使用逆向公式 + 3. 对非 PID 呼吸使用深度学习模型 + 4. 最终集成两种预测 + +- **特征工程**： + - 原始特征：u_in, u_out, R, C, time_step + - 衍生特征：u_in 的累积和、差分、滚动统计 + - 位置编码：sin/cos 位置嵌入 + - 肺部属性编码：R 和 C 的 embedding + +- **训练策略**： + - 损失函数：MAE + delta_pressure_MAE（多任务） + - 优化器：AdamW (lr=1e-3, weight_decay=0.01) + - 学习率调度：CosineAnnealingWarmRestarts + - 早停：CV 15 epochs 无改善则停止 + +- **最终 MAE**：约 0.104 + +**代码仓库**：[GillesVandewiele/google-brain-ventilator](https://github.com/GillesVandewiele/google-brain-ventilator) + +--- + +#### 2nd Place - ambrosm + +**核心技巧：** +- **The Inverse of a PID Controller**：纯粹的 PID 逆向方法 +- **无需深度学习**：完全基于物理规律 +- **数学拟合**：优化 PID 参数最小化误差 + +**实现细节：** +- **PID 逆向公式**： + ```python + def pid_inverse(u_in, u_out, R, C): + """ + PID 控制器的逆向函数 + 从控制信号 u_in 推导目标压力 + + PID 公式：u_in = Kp * e + Ki * ∫e dt + Kd * de/dt + 逆向：从 u_in 拟合目标压力 + """ + # 对每个呼吸单独拟合 + pressures = [] + + for breath_id in unique_breaths: + u_in_breath = u_in[breath_id] + u_out_breath = u_out[breath_id] + + # 拟合 PID 参数 + # 目标：最小化 u_in_pred - u_in_actual + Kp, Ki, Kd = fit_pid_parameters(u_in_breath, u_out_breath) + + # 逆向计算压力 + pressure = inverse_pid(u_in_breath, Kp, Ki, Kd, R, C) + pressures.append(pressure) + + return pressures + ``` + +- **参数优化**： + - 使用 Scipy.optimize.minimize 优化 PID 参数 + - 约束：Kp, Ki, Kd > 0 + - 损失：MSE between u_in_pred 和 u_in_actual + +- **最终 MAE**：约 0.105 + +**技术特点**： +- 最简洁的前排方案 +- 无需训练模型 +- 推理速度极快 +- 但仅适用于 PID 控制的呼吸 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/ambrosm-2-solution-the-inverse-of-a-pid-controller) + +--- + +#### 3rd Place - Upstage + +**核心技巧：** +- **Single Model without PID**：唯一不使用 PID 的前排方案 +- **多任务损失**：同时预测压力和压力变化 +- **数据增强**：时间扭曲、幅值缩放 +- **物理约束损失**：加入呼吸力学先验 + +**实现细节：** +- **模型架构**： + ```python + class UpstageModel(nn.Module): + def __init__(self): + self.embedding = Embedding(num_r_values * num_c_values, 64) + self.lstm1 = LSTM(input_dim=64+3, hidden_dim=256, num_layers=2, bidirectional=True) + self.lstm2 = LSTM(input_dim=512, hidden_dim=128, num_layers=1) + self.fc_pressure = Linear(128, 1) + self.fc_delta = Linear(128, 1) # 辅助任务 + + def forward(self, u_in, u_out, R, C): + # 肺部属性嵌入 + rc_embed = self.embedding(R * 100 + C) + + # 拼接输入 + x = torch.cat([u_in, u_out, rc_embed], dim=-1) + + # LSTM 建模 + x = self.lstm1(x) + x = self.lstm2(x) + + # 多任务预测 + pressure = self.fc_pressure(x) + delta = self.fc_delta(x) + + return pressure, delta + ``` + +- **多任务损失**： + ```python + def loss_function(pressure_pred, delta_pred, pressure_true): + # 主任务：压力预测 + loss_pressure = F.l1_loss(pressure_pred, pressure_true) + + # 辅助任务：压力差预测 + delta_true = pressure_true[:, 1:] - pressure_true[:, :-1] + loss_delta = F.l1_loss(delta_pred[:, :-1], delta_true) + + # 加权组合 + return loss_pressure + 0.3 * loss_delta + ``` + +- **数据增强**： + - 时间扭曲：随机拉伸/压缩时间轴 + - 幅值缩放：u_in 乘以 0.8-1.2 随机因子 + - 噪声注入：加入高斯噪声 + +- **物理约束**： + - 压力变化率约束：|dP/dt| < threshold + - 压力范围约束：0 < P < 60 cmH2O + +- **最终 MAE**：0.0975（不含 PID 后处理） + +**技术特点**： +- 最通用的前排方案 +- 不依赖 PID 规律 +- 可应用于新数据分布 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/upstage-making-ai-beneficial-3rd-place-single-mode) + +--- + +#### 4th Place - Jun Koda + +**核心技巧：** +- **Hacking the PID Control**：深入分析 PID 控制规律 +- **线性关系发现**：u_in 与目标压力线性相关 +- **分段处理**：对不同阶段使用不同策略 + +**实现细节：** +- **核心发现**： + ```python + # 吸气阶段（u_out = 0） + # u_in 与目标 pressure 呈线性关系 + u_in = α * pressure_target + β + + # 呼气阶段（u_out = 1） + # 压力按指数衰减 + pressure = pressure_peak * exp(-t / τ) + + # 其中 τ = R * C（时间常数） + ``` + +- **逆向求解**： + ```python + def predict_pressure(u_in, u_out, R, C): + pressures = [] + + for t in range(len(u_in)): + if u_out[t] == 0: # 吸气 + # 线性关系 + pressure[t] = (u_in[t] - β) / α + else: # 呼气 + # 指数衰减 + pressure[t] = pressure_peak * exp(-t / (R * C)) + + return pressures + ``` + +- **参数拟合**： + - α, β 通过线性回归拟合 + - τ 通过非线性优化拟合 + - 不同 R, C 组合使用不同参数 + +- **最终 MAE**：约 0.106 + +**技术特点**： +- 深入理解 PID 控制原理 +- 利用物理规律简化问题 +- 计算效率极高 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/jun-koda-4th-place-solution-hacking-the-pid-contro) + +--- + +#### 6th Place - 0-0ggg + +**核心技巧：** +- **Single Multi-task LSTM**：单模型多任务学习 +- **Delta Pressure 预测**：辅助任务提升主任务 +- **特征工程**：丰富的时序特征 + +**实现细节：** +- **模型架构**： + ```python + class MultiTaskLSTM(nn.Module): + def __init__(self, input_dim=5, hidden_dim=128): + super().__init__() + self.lstm = LSTM(input_dim, hidden_dim, num_layers=2, dropout=0.2) + self.fc_pressure = Linear(hidden_dim, 1) + self.fc_delta = Linear(hidden_dim, 1) + + def forward(self, x): + # LSTM 编码 + x, _ = self.lstm(x) + + # 多任务预测 + pressure = self.fc_pressure(x) + delta = self.fc_delta(x) + + return pressure, delta + ``` + +- **特征工程**： + - 原始特征：u_in, u_out, R, C + - 时序特征：u_in 的 lag-1, lag-2, lag-3 + - 统计特征：rolling mean, rolling std + - 交互特征：u_in * R, u_in * C + - 时间特征：sin/cos 时间编码 + +- **多任务训练**： + ```python + def train_step(model, batch): + pressure_pred, delta_pred = model(batch) + + # 主任务损失 + loss_pressure = mae_loss(pressure_pred, batch.pressure) + + # 辅助任务损失 + delta_true = batch.pressure[:, 1:] - batch.pressure[:, :-1] + loss_delta = mae_loss(delta_pred[:, :-1], delta_true) + + # 总损失 + loss = loss_pressure + 0.2 * loss_delta + return loss + ``` + +- **最终 MAE**：约 0.108 + +**技术特点**： +- 简洁有效的架构 +- 多任务学习提升性能 +- CV/LB 一致性好 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/0-0ggg-6th-place-solution-single-multi-task-lstm) + +--- + +#### 14th Place - pksha (Team "no pressure") + +**核心技巧：** +- **Multitask LSTM**：同时预测压力和压力变化 +- **Delta Pressure 辅助任务**：关键创新 +- **集成策略**：多模型融合 + +**实现细节：** +- **多任务设计**： + ```python + class MultitaskLSTM(nn.Module): + def __init__(self): + self.lstm = LSTM(input_dim=6, hidden_dim=128, num_layers=2, bidirectional=True) + self.fc1 = Linear(256, 64) + self.fc_pressure = Linear(64, 1) + self.fc_delta = Linear(64, 1) + + def forward(self, x): + x, _ = self.lstm(x) + x = F.relu(self.fc1(x)) + pressure = self.fc_pressure(x) + delta = self.fc_delta(x) + return pressure, delta + ``` + +- **辅助任务价值**： + - 预测 delta pressure：P[t] - P[t-1] + - 帮助模型学习压力变化趋势 + - CV/LB 提升 +0.01 ~ +0.015 + +- **最终 MAE**：约 0.112 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/pksha-no-pressure-14th-place-solution-multitask-ls) + +--- + +#### 16th Place - player2-has-flatlined + +**核心技巧：** +- **Journey Writeup**：详细的开发历程 +- **渐进优化**：从 baseline 到最终方案 +- **务实策略**：平衡效果和复杂度 + +**实现细节：** +- **开发历程**： + 1. Baseline LSTM：MAE ~0.15 + 2. 加入特征工程：MAE ~0.13 + 3. 多任务学习：MAE ~0.115 + 4. 模型集成：MAE ~0.113 + +- **关键改进**： + - 丰富特征工程 + - 多任务学习（delta pressure） + - 交叉验证策略优化 + - 简单平均集成 + +- **最终 MAE**：约 0.113 + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/player2-has-flatlined-16th-place-journey-writeup-n) + +--- + +#### 20th Place - hyeongchan-nikita / kozistr + +**核心技巧：** +- **Model & Multi-task Learning**：深度学习 + 多任务 +- **Delta Pressure Auxiliary Loss**：核心技术 +- **Top 1% 铜牌边界**：进入前 1% 的方案 + +**实现细节（kozistr）：** +- **多任务损失**： + ```python + def multi_task_loss(pressure_pred, delta_pred, pressure_true): + # 主任务 + loss_pressure = F.l1_loss(pressure_pred, pressure_true) + + # 辅助任务：delta pressure + delta_true = torch.diff(pressure_true, dim=1) + loss_delta = F.l1_loss(delta_pred[:, :-1], delta_true) + + return loss_pressure + 0.15 * loss_delta + ``` + +- **模型架构**： + - LSTM（2 层，128 隐藏单元） + - 特征：u_in, u_out, R, C + 统计特征 + - Dropout：0.3 + +- **最终 MAE**：约 0.116（Top 1% 边界） + +**技术特点**： +- 最简单的前排方案之一 +- 证明了多任务学习的有效性 +- CV/LB 提升 +0.01 ~ +0.015 + +**参考文章**：[Blog Post](https://kozistr.tech/2021-11-03-ventilator-pressure-prediction/) + +**Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/hyeongchan-nikita-20th-place-solution-model-multi-) + +--- + +### Code Templates (代码模板) + +#### PID Controller Matching (1st Place 核心技巧) + +```python +import numpy as np +from scipy.optimize import minimize + +def fit_pid_parameters(u_in, u_out, initial_pressure=0): + """ + 拟合 PID 控制器参数 + + Args: + u_in: 控制信号 (array) + u_out: 吸气/呼气标志 (array) + initial_pressure: 初始压力 + + Returns: + Kp, Ki, Kd: PID 参数 + """ + + def pid_loss(params, u_in, u_out): + Kp, Ki, Kd = params + + # 模拟 PID 控制器 + pressure_pred = simulate_pid(u_in, u_out, Kp, Ki, Kd, initial_pressure) + + # 计算误差（逆向：从 u_in 预测 pressure 的误差） + error = np.mean((u_in - target_from_pressure(pressure_pred)) ** 2) + return error + + # 初始参数 + x0 = [1.0, 0.1, 0.5] + + # 约束：参数必须为正 + bounds = [(0, None), (0, None), (0, None)] + + # 优化 + result = minimize(pid_loss, x0, args=(u_in, u_out), bounds=bounds) + + return result.x + +def simulate_pid(u_in, u_out, Kp, Ki, Kd, initial_pressure): + """ + PID 控制器模拟 + + Args: + u_in: 控制信号 + u_out: 吸气/呼气标志 + Kp, Ki, Kd: PID 参数 + initial_pressure: 初始压力 + + Returns: + pressure: 预测的压力序列 + """ + n_steps = len(u_in) + pressure = np.zeros(n_steps) + pressure[0] = initial_pressure + + integral = 0 + prev_error = 0 + + for t in range(1, n_steps): + # 设定值（目标压力） + setpoint = pressure[t-1] # 维持当前压力 + + # 过程变量（当前压力） + pv = pressure[t-1] + + # 误差 + error = setpoint - pv + + # 积分项 + integral += error + + # 微分项 + derivative = error - prev_error + prev_error = error + + # PID 输出 + output = Kp * error + Ki * integral + Kd * derivative + + # 肺部响应（一阶系统） + # dP/dt = (u_in - P) / (R * C) + R, C = get_rc_params(t) # 获取 R, C 参数 + tau = R * C # 时间常数 + + pressure[t] = pressure[t-1] + (output - pressure[t-1]) / tau + + # 呼气阶段处理 + if u_out[t] == 1: + pressure[t] = pressure[t] * 0.9 # 衰减 + + return pressure + +def predict_pressure_pid(u_in, u_out, R, C): + """ + 使用 PID 逆向方法预测压力 + + Args: + u_in: 控制信号 + u_out: 吸气/呼气标志 + R: 肺部电阻 + C: 肺部顺应性 + + Returns: + pressure: 预测压力 + """ + # 按呼吸分组 + breath_ids = get_breath_ids(u_out) + + pressures = [] + + for breath_id in breath_ids: + u_in_breath = u_in[breath_id] + u_out_breath = u_out[breath_id] + + # 拟合 PID 参数 + Kp, Ki, Kd = fit_pid_parameters(u_in_breath, u_out_breath) + + # 逆向预测压力 + pressure_breath = inverse_pid(u_in_breath, u_out_breath, Kp, Ki, Kd, R, C) + pressures.extend(pressure_breath) + + return np.array(pressures) + +def inverse_pid(u_in, u_out, Kp, Ki, Kd, R, C): + """ + PID 逆向：从 u_in 推导压力 + + 简化版本：假设比例控制主导 + u_in ≈ Kp * (target - current) + => target ≈ u_in / Kp + current + """ + n_steps = len(u_in) + pressure = np.zeros(n_steps) + + pressure[0] = 5 # 初始压力 + + for t in range(1, n_steps): + if u_out[t] == 0: # 吸气 + # 比例控制 + pressure[t] = pressure[t-1] + u_in[t] / Kp + else: # 呼气 + # 指数衰减 + tau = R * C + pressure[t] = pressure[t-1] * np.exp(-1 / tau) + + return pressure +``` + +#### Multi-task LSTM (6th, 14th, 20th Place 技巧) + +```python +import torch +import torch.nn as nn + +class MultiTaskVentilatorLSTM(nn.Module): + """多任务 LSTM 模型""" + + def __init__(self, input_dim=5, hidden_dim=128, num_layers=2, dropout=0.2): + super().__init__() + + # LSTM 层 + self.lstm = nn.LSTM( + input_size=input_dim, + hidden_size=hidden_dim, + num_layers=num_layers, + dropout=dropout, + batch_first=True, + bidirectional=True + ) + + # 全连接层 + self.fc1 = nn.Linear(hidden_dim * 2, 64) + self.dropout = nn.Dropout(dropout) + + # 多任务输出 + self.fc_pressure = nn.Linear(64, 1) # 主任务：压力预测 + self.fc_delta = nn.Linear(64, 1) # 辅助任务：压力差预测 + + def forward(self, x): + # LSTM 编码 + lstm_out, _ = self.lstm(x) # (batch, seq, hidden*2) + + # 全连接 + out = F.relu(self.fc1(lstm_out)) + out = self.dropout(out) + + # 多任务预测 + pressure = self.fc_pressure(out).squeeze(-1) # (batch, seq) + delta = self.fc_delta(out).squeeze(-1) # (batch, seq) + + return pressure, delta + +def multi_task_loss(pressure_pred, delta_pred, pressure_true, delta_weight=0.2): + """ + 多任务损失函数 + + Args: + pressure_pred: 压力预测 (batch, seq) + delta_pred: 压力差预测 (batch, seq) + pressure_true: 真实压力 (batch, seq) + delta_weight: 辅助任务权重 + + Returns: + total_loss: 总损失 + """ + # 主任务：压力预测 MAE + loss_pressure = F.l1_loss(pressure_pred, pressure_true) + + # 辅助任务：压力差预测 MAE + # 计算真实压力差 + delta_true = pressure_true[:, 1:] - pressure_true[:, :-1] + delta_pred_trimmed = delta_pred[:, 1:] + + loss_delta = F.l1_loss(delta_pred_trimmed, delta_true) + + # 加权组合 + total_loss = loss_pressure + delta_weight * loss_delta + + return total_loss + +# 训练循环 +def train_model(model, train_loader, val_loader, num_epochs=30, lr=1e-3): + optimizer = torch.optim.AdamW(model.parameters(), lr=lr, weight_decay=0.01) + scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts( + optimizer, T_0=10, T_mult=2 + ) + + best_val_loss = float('inf') + patience = 5 + patience_counter = 0 + + for epoch in range(num_epochs): + # 训练 + model.train() + train_loss = 0 + + for batch in train_loader: + x = batch['features'] # (batch, seq, 5) + y = batch['pressure'] # (batch, seq) + + optimizer.zero_grad() + + # 前向传播 + pressure_pred, delta_pred = model(x) + + # 计算损失 + loss = multi_task_loss(pressure_pred, delta_pred, y) + + # 反向传播 + loss.backward() + optimizer.step() + + train_loss += loss.item() + + # 验证 + model.eval() + val_loss = 0 + + with torch.no_grad(): + for batch in val_loader: + x = batch['features'] + y = batch['pressure'] + + pressure_pred, delta_pred = model(x) + loss = multi_task_loss(pressure_pred, delta_pred, y) + val_loss += loss.item() + + # 学习率调度 + scheduler.step() + + # 早停 + if val_loss < best_val_loss: + best_val_loss = val_loss + patience_counter = 0 + # 保存最佳模型 + torch.save(model.state_dict(), 'best_model.pth') + else: + patience_counter += 1 + if patience_counter >= patience: + print(f'Early stopping at epoch {epoch}') + break + + print(f'Epoch {epoch}: Train Loss={train_loss/len(train_loader):.4f}, ' + f'Val Loss={val_loss/len(val_loader):.4f}') + + # 加载最佳模型 + model.load_state_dict(torch.load('best_model.pth')) + return model +``` + +#### 特征工程模板 + +```python +import numpy as np +import pandas as pd + +def create_features(df): + """ + 创建时序特征 + + Args: + df: 原始数据，包含列： + - u_in: 控制信号 + - u_out: 吸气/呼气标志 + - R: 肺部电阻 + - C: 肺部顺应性 + - breath_id: 呼吸ID + + Returns: + features: 特征 DataFrame + """ + df = df.copy() + + # 1. 基础特征 + features = df[['u_in', 'u_out', 'R', 'C']].copy() + + # 2. 时序特征：滞后 + for lag in [1, 2, 3]: + features[f'u_in_lag{lag}'] = df['u_in'].shift(lag) + + # 3. 时序特征：差分 + features['u_in_diff1'] = df['u_in'].diff() + features['u_in_diff2'] = df['u_in'].diff(2) + + # 4. 统计特征：滚动窗口 + for window in [5, 10]: + features[f'u_in_rolling_mean_{window}'] = df['u_in'].rolling(window).mean() + features[f'u_in_rolling_std_{window}'] = df['u_in'].rolling(window).std() + features[f'u_in_rolling_max_{window}'] = df['u_in'].rolling(window).max() + features[f'u_in_rolling_min_{window}'] = df['u_in'].rolling(window).min() + + # 5. 累积特征 + features['u_in_cumsum'] = df['u_in'].cumsum() + features['u_in_cummax'] = df['u_in'].cummax() + + # 6. 交互特征 + features['u_in_R'] = df['u_in'] * df['R'] + features['u_in_C'] = df['u_in'] * df['C'] + features['R_C'] = df['R'] * df['C'] # 时间常数 + + # 7. 时间特征（位置编码） + features['time_step'] = np.arange(len(df)) + features['time_sin'] = np.sin(2 * np.pi * features['time_step'] / 80) + features['time_cos'] = np.cos(2 * np.pi * features['time_step'] / 80) + + # 8. 呼吸级别特征 + breath_groups = df.groupby('breath_id') + + features['u_in_breath_mean'] = breath_groups['u_in'].transform('mean') + features['u_in_breath_max'] = breath_groups['u_in'].transform('max') + features['u_in_breath_std'] = breath_groups['u_in'].transform('std') + + # 9. 阶段特征 + features['u_out_lag1'] = df['u_out'].shift(1) + features['inhale_start'] = (features['u_out_lag1'] == 1) & (df['u_out'] == 0) + features['exhale_start'] = (features['u_out_lag1'] == 0) & (df['u_out'] == 1) + + # 10. 填充缺失值 + features = features.fillna(method='bfill').fillna(0) + + return features + +# 使用示例 +# df = pd.read_csv('train.csv') +# features = create_features(df) +# print(features.shape) +``` + +--- + +### Best Practices (最佳实践) + +#### PID 控制器逆向策略 + +**适用场景：** +- 测试集存在已知控制规律（如 PID） +- 控制信号与目标存在可逆向的关系 + +**实现步骤：** +1. **分析控制规律**： + - 绘制 u_in 与 pressure 的关系图 + - 识别线性/非线性关系 + - 分析不同阶段（吸气/呼气）的规律 + +2. **拟合逆向函数**： + - 使用优化方法拟合参数 + - 添加物理约束（如参数 > 0） + - 分组拟合（不同 R, C 组合） + +3. **混合策略**： + - 对 PID 控制样本使用逆向方法 + - 对非 PID 样本使用深度学习 + - 加权融合两种预测 + +**注意事项：** +| 问题 | 解决方案 | +|------|---------| +| 非线性关系 | 分段线性或使用非线性优化 | +| 参数不稳定 | 正则化或参数约束 | +| 部分样本不符合 PID | 使用残差模型校正 | + +#### 多任务学习策略 + +**辅助任务选择：** +- **Delta Pressure**：预测 P[t] - P[t-1]（最常用） +- **压力分类**：同时预测压力范围（辅助回归） +- **阶段预测**：预测吸气/呼气阶段（多任务） + +**损失权重调优：** +```python +# 网格搜索最佳权重 +for delta_weight in [0.1, 0.15, 0.2, 0.25, 0.3]: + loss = multi_task_loss(pressure_pred, delta_pred, pressure_true, delta_weight) + # 验证集评估 + val_mae = evaluate(val_loader, delta_weight) + print(f'delta_weight={delta_weight}: val_mae={val_mae:.4f}') +``` + +**最佳实践：** +| 技巧 | 说明 | +|------|------| +| 渐进式训练 | 先训练主任务，再加入辅助任务 | +| 权重衰减 | 逐渐降低辅助任务权重 | +| 多个辅助任务 | 可组合多个辅助任务 | +| 早停基于主任务 | 验证集只看主任务性能 | + +#### 交叉验证策略 + +**Group K-Fold：** +```python +from sklearn.model_selection import GroupKFold + +# 确保同一 breath 的样本不分散 +gkf = GroupKFold(n_splits=5) + +for fold, (train_idx, val_idx) in enumerate(gkf.split(X, y, groups=df['breath_id'])): + print(f'Fold {fold}: Train={len(train_idx)}, Val={len(val_idx)}') + + X_train, X_val = X[train_idx], X[val_idx] + y_train, y_val = y[train_idx], y[val_idx] + + # 训练模型 + model = train_model(X_train, y_train) +``` + +**时间序列分割：** +```python +from sklearn.model_selection import TimeSeriesSplit + +# 按时间顺序分割 +tscv = TimeSeriesSplit(n_splits=5) + +for fold, (train_idx, val_idx) in enumerate(tscv.split(X)): + # 训练集在验证集之前 + X_train, X_val = X[train_idx], X[val_idx] + y_train, y_val = y[train_idx], y[val_idx] +``` + +#### 模型集成策略 + +**集成方法：** +| 方法 | 使用排名 | 说明 | +|------|---------|------| +| **简单平均** | 所有排名 | 最常用，稳定可靠 | +| **加权平均** | 部分排名 | 需要验证集调优权重 | +| **Stacking** | 高排名 | 用元模型学习组合 | +| **不同架构** | 1st, 3rd | LSTM + Transformer + CNN | + +**集成代码：** +```python +def ensemble_predictions(predictions_list, weights=None): + """ + 集成多个模型的预测 + + Args: + predictions_list: 预测列表 [(n_samples, n_steps), ...] + weights: 权重列表，None 表示简单平均 + + Returns: + ensemble_pred: 集成预测 + """ + if weights is None: + # 简单平均 + ensemble_pred = np.mean(predictions_list, axis=0) + else: + # 加权平均 + ensemble_pred = np.average(predictions_list, axis=0, weights=weights) + + return ensemble_pred + +# 使用示例 +# pred1 = model1.predict(X_val) +# pred2 = model2.predict(X_val) +# pred3 = model3.predict(X_val) +# +# # 简单平均 +# ensemble = ensemble_predictions([pred1, pred2, pred3]) +# +# # 加权平均 +# weights = [0.3, 0.3, 0.4] +# ensemble = ensemble_predictions([pred1, pred2, pred3], weights) +``` + +#### 常见陷阱和注意事项 + +| 陷阱 | 说明 | 解决方案 | +|------|------|---------| +| **过拟合 PID 规律** | 模型只对 PID 样本有效 | 加入真实呼吸样本训练 | +| **数据泄露** | 使用未来信息 | 严格按时间切分 | +| **多任务权重不当** | 辅助任务干扰主任务 | 调优权重或渐进训练 | +| **集成过拟合** | 集成太多模型 | 3-5 个模型即可 | +| **特征工程过度** | 特征比样本还多 | 特征选择和降维 | +| **验证集策略错误** | 同一 breath 分散到训练和验证 | Group K-Fold | + +--- + +## Metadata + +| Source | Date | Tags | +|--------|------|------| +| [HMS - Harmful Brain Activity Classification](https://www.kaggle.com/competitions/hms-harmful-brain-activity-classification) | 2025-01-22 | EEG, 分类, CWT, Entmax, 2-Stage Training, KL-Divergence | +| [Child Mind Institute - Detect Sleep States](https://www.kaggle.com/competitions/child-mind-institute-detect-sleep-states) | 2025-01-22 | 睡眠检测, 事件检测, 两阶段建模, 后处理优化, 多tolerance AP | +| [Child Mind Institute - Detect Behavior with Sensor Data](https://www.kaggle.com/competitions/cmi-detect-behavior-with-sensor-data) | 2025-01-22 | 多模态时序, IMU+TOF+THM, 行为识别, 阶段感知Attention, 匈牙利算法 | +| [BirdCLEF 2024](https://www.kaggle.com/competitions/birdclef-2024) | 2026-01-23 | 音频分类, 生物声学, Statistics T过滤, Google Classifier预标注, CE Loss, Sigmoid推理, Min Ensemble, Checkpoint Soup, 伪标签迭代, 120分钟推理限制 | +| [BirdCLEF+ 2025](https://www.kaggle.com/competitions/birdclef-2025) | 2026-01-22 | 音频分类, 生物声学, Noisy Student, 自蒸馏, SED模型, 伪标签, Mel-Spectrogram, Soft AUC Loss, 90分钟推理限制 | +| [Google Brain - Ventilator Pressure Prediction](https://www.kaggle.com/c/ventilator-pressure-prediction) | 2026-01-23 | 时序回归, PID逆向, 多任务学习, Delta Pressure, LSTM+Transformer, MAE, 2,605队伍 | +| [Cornell Birdcall Identification (BirdCLEF 2020)](https://www.kaggle.com/competitions/birdsong-recognition) | 2026-01-23 | 音频分类, 生物声学, ResNeSt, Attention Pooling, Mel-Spectrogram, Weak Supervision, GAN伪标签, Ensemble, F1-Score, 1,390队伍 | +| [BirdCLEF 2021 - Birdcall Identification](https://www.kaggle.com/competitions/birdclef-2021) | 2026-01-23 | 音频分类, 生物声学, PANNs, 弱监督, Mixup, SpecAugment, Attention Mechanism, F1-Score, 1,700队伍 | +| [BirdCLEF 2022 - Endangered Bird Sounds](https://www.kaggle.com/competitions/birdclef-2022) | 2026-01-23 | 音频分类, 濒危物种, BirdNet, Perch, SED, 多尺度输入, AND规则, Framewise预测, F1-Score, 1,600队伍 | +| [Rainforest Connection Species Audio Detection 2021](https://www.kaggle.com/competitions/rfcx-species-audio-detection) | 2026-01-23 | 音频检测, 生物声学, LWLRAP, Mel-Spectrogram as Image, ResNeSt, EfficientNet, ImageNet预训练, 2,200队伍 | +| [AMP®-Parkinson's Disease Progression Prediction](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction) | 2026-01-23 | 表格时序回归, 蛋白质数据, Gradient Boosting, SMAPE, XGBoost/LightGBM, 2,500队伍 | + +--- + +## Cornell Birdcall Identification (BirdCLEF 2020) + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology +- **目标**：识别音频录音中的鸟类叫声（多标签音频分类） +- **应用场景**：鸟类种群监测，生物声学研究，生态系统保护 +- **数据集规模**： + - 训练音频：2,000+ 段录音，涵盖 264 种鸟类 + - 测试音频：约 200 段连续录音（soundscape） + - 采样率： varied (通常 44.1kHz 或 48kHz) +- **评估指标**：micro-averaged F1-score（需要预测鸟类在 5 秒时间窗口内的出现） +- **最终排名**： + - 1st Place: Ryan Wong - F1 ~0.71 + - 2nd Place: niw + - 3rd Place: TheoViel + - 总参赛队伍：1,390 支 + +### 前排方案详细技术分析 + +#### 1st Place - ResNeSt + Attention Pooling + Large Ensemble (Ryan Wong) + +核心技巧： +- **ResNeSt Split-Attention Network**：使用 ResNeSt-50 作为主干网络 +- **Attention Pooling**：替代传统的全局平均池化 +- **Large Voting Ensemble**：13 模型投票集成，需要至少 4 票 +- **Mel-Spectrogram Preprocessing**：对数 Mel 频谱特征 +- **数据增强**：粉红噪声、高斯噪声、音量调整 +- **Multi-Scale Training**：不同音频片段长度 + +实现细节： +- **音频预处理**： + - 重采样到 32kHz 或 44.1kHz + - 使用短时傅里叶变换（STFT）计算 Mel-spectrogram + - 对数尺度转换：log(1 + mel) + - 时间维度：5 秒窗口 +- **模型架构**： + - ResNeSt-50 (Split-Attention variants of ResNet) + - 在 ImageNet 上预训练 + - 替换最后的全连接层为 Attention Pooling + - 输出层：264 类二分类（多标签） +- **Attention Pooling 实现**： + ```python + class AttentionPooling(nn.Module): + def __init__(self, input_dim, hidden_dim=128): + super().__init__() + self.attention = nn.Sequential( + nn.Linear(input_dim, hidden_dim), + nn.Tanh(), + nn.Linear(hidden_dim, 1) + ) + + def forward(self, x): + # x: (batch, time, features) + weights = F.softmax(self.attention(x), dim=1) + return (x * weights).sum(dim=1) + ``` +- **集成策略**： + - 13 个模型的投票集成 + - 每个预测需要至少 4 票才认为鸟类存在 + - 基于 LB 分数选择模型 + - 不同 checkpoint 和数据增强配置 +- **数据增强**： + - Mixup（混合增强） + - 背景噪声添加 + - 音高变换（pitch shifting） + - 时间拉伸（time stretching） +- **训练配置**： + - Loss：Binary Cross-Entropy + - Optimizer：AdamW + - Learning Rate：1e-3（带 cosine annealing） + - Batch Size：32 + - Epochs：~30 + +#### 2nd Place - Efficient Ensemble with Strong Data Augmentation (niw) + +核心技巧： +- **ResNet50-based Models**：多个 ResNet50 变体 +- **Aggressive Data Augmentation**：激进的音频增强 +- **Spectral Features**：多种频谱特征组合 +- **Prediction Thresholding**：预测阈值优化 +- **Cross-Validation Ensemble**：交叉验证集成 + +实现细节： +- **特征工程**： + - Mel-spectrogram（128 Mel bins） + - MFCC（Mel-Frequency Cepstral Coefficients） + - Chroma features + - Spectral contrast +- **模型变体**： + - ResNet50（预训练） + - EfficientNet-B0 + - DenseNet-121 +- **增强策略**： + - 时间遮罩（SpecAugment Time Masking） + - 频率遮罩（Frequency Masking） + - 添加背景噪声 + - 音量随机化 +- **后处理**： + - 类别特定的阈值优化 + - 时间平滑（temporal smoothing） + - 最小持续时间过滤 + +#### 3rd Place - Simple yet Effective Approach (TheoViel) + +核心技巧： +- **Pre-trained ResNeSt**：使用预训练的 ResNeSt 模型 +- **Mel-Spectrogram Input**：标准 Mel 频谱 +- **Strong Baseline**：简洁但强大的基线模型 +- **Moderate Ensemble**：中等规模集成 +- **Careful Validation**：仔细的验证策略 + +实现细节： +- **音频处理**： + - 重采样到 44.1kHz + - 5 秒固定窗口 + - 128 Mel bins + - 对数幅度压缩 +- **模型架构**： + - ResNeSt50（预训练） + - Global Average Pooling + - Sigmoid 激活 +- **训练策略**： + - 5-fold 交叉验证 + - Early stopping + - Learning rate scheduling +- **集成方法**： + - 5-7 个模型的平均 + - 不同随机种子 + +#### 4th Place - Logmels Spectral Features (dimabert & ususani) + +核心技巧： +- **Logmels Features**：对数 Mel 频谱作为主要特征 +- **Audio Normalization**：音频标准化处理 +- **32kHz Resampling**：统一采样率 +- **CNN Ensemble**：多个 CNN 模型集成 + +实现细节： +- **音频预处理**： + - 重采样到 32,000 Hz + - 音频归一化（RMS normalization） + - 固定长度窗口 +- **特征提取**： + - Logmels（对数 Mel-spectrogram） + - 128 Mel bins + - 时间帧数：约 500 帧/5秒 +- **模型选择**： + - ResNet50 + - ResNeSt50 + - EfficientNet +- **Loss Function**： + - Binary Cross-Entropy + - Label Smoothing + +#### 5th Place - Dual Approach with Different Architectures (Kramarenko Vladislav) + +核心技巧： +- **Multiple Approaches**：尝试了两种不同的方法 +- **Different CNN Architectures**：不同的 CNN 架构 +- **Feature Engineering**：特征工程优化 +- **Prediction Blending**：预测结果混合 + +实现细节： +- **方法 1**：ResNet50 + Mel-spectrogram +- **方法 2**：Custom CNN + MFCC features +- **最终集成**：两种方法的加权平均 + +#### 6th Place - Sound Event Detection with Attention (Deep) + +核心技巧： +- **SED Framework**：声音事件检测框架 +- **ResNeSt50 Encoder**：ResNeSt50 编码器 +- **Attention Mechanism**：注意力机制 +- **Strong Augmentation**：强数据增强 +- **Post-processing**：后处理优化 + +实现细节： +- **模型架构**： + - ResNeSt50 作为特征提取器 + - Temporal Attention Module + - Multi-head Attention +- **训练技巧**： + - Mixup augmentation + - CutMix + - SpecAugment + +#### 7th Place - Three Geese and a GAN (CPJKU) + +核心技巧： +- **Weak Supervision**：弱监督学习 +- **Generative Augmentation**：使用 GAN 生成增强数据 +- **Pseudo-labeling**：伪标签策略 +- **Strong Single Model**：强大的单模型 +- **Note**：该方案可修改后达到 1-2 名成绩 + +实现细节： +- **GAN-based Augmentation**： + - 使用生成对抗网络生成合成音频 + - 增加稀有鸟类的样本 + - 条件 GAN（conditional GAN） +- **弱监督策略**： + - 利用未标注数据 + - 自训练（self-training） + - 伪标签迭代优化 +- **模型架构**： + - Modified ResNet + - Attention pooling + - Multi-task learning +- **训练流程**： + - Stage 1: 在标注数据上训练 + - Stage 2: 生成伪标签 + - Stage 3: 在标注+伪标签数据上微调 + +#### 17th Place - File-level Post-processing + +核心技巧： +- **File-level Aggregation**：文件级别聚合 +- **Temporal Smoothing**：时间平滑 +- **Threshold Optimization**：阈值优化 +- **Ensemble Diversification**：集成多样化 + +实现细节： +- **后处理策略**： + - 同一文件内的预测平滑 + - 移除短于阈值的检测 + - 类别特定的阈值 +- **集成方法**： + - 多个 checkpoint 平均 + - 不同架构的集成 + +### 代码模板 + +#### Mel-Spectrogram 特征提取 +```python +import torch +import torch.nn as nn +import torchaudio +import numpy as np + +class MelSpectrogramExtractor: + def __init__(self, sample_rate=32000, n_mels=128, n_fft=2048, hop_length=512): + self.sample_rate = sample_rate + self.n_mels = n_mels + self.n_fft = n_fft + self.hop_length = hop_length + + # Mel-spectrogram transform + self.mel_transform = torchaudio.transforms.MelSpectrogram( + sample_rate=sample_rate, + n_fft=n_fft, + hop_length=hop_length, + n_mels=n_mels, + f_min=0, + f_max=16000 + ) + + # Amplitude to dB + self.amplitude_to_db = torchaudio.transforms.AmplitudeToDB() + + def extract(self, waveform): + """提取 Mel-spectrogram 特征""" + # Compute mel-spectrogram + mel_spec = self.mel_transform(waveform) + + # Convert to dB scale + mel_spec_db = self.amplitude_to_db(mel_spec) + + # Normalize to [0, 1] + mel_spec_norm = (mel_spec_db - mel_spec_db.min()) / (mel_spec_db.max() - mel_spec_db.min() + 1e-8) + + return mel_spec_norm + +# 使用示例 +extractor = MelSpectrogramExtractor(sample_rate=32000, n_mels=128) +waveform, sr = torchaudio.load("bird_audio.wav") +if sr != 32000: + resampler = torchaudio.transforms.Resample(sr, 32000) + waveform = resampler(waveform) +mel_spec = extractor.extract(waveform) +``` + +#### ResNeSt + Attention Pooling 模型 +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class AttentionPooling2d(nn.Module): + """2D Attention Pooling for spectrograms""" + def __init__(self, in_channels, hidden_dim=128): + super().__init__() + self.attention = nn.Sequential( + nn.Conv2d(in_channels, hidden_dim, kernel_size=1), + nn.BatchNorm2d(hidden_dim), + nn.Tanh(), + nn.Conv2d(hidden_dim, 1, kernel_size=1) + ) + + def forward(self, x): + # x: (batch, channels, time, freq) + attn_weights = F.softmax(self.attention(x), dim=(2, 3)) + return (x * attn_weights).sum(dim=(2, 3)) + +class BirdcallClassifier(nn.Module): + def __init__(self, num_classes=264, pretrained=True): + super().__init__() + + # ResNeSt backbone (需要安装 resnest 库) + from resnest.torch import resnest50 + + self.backbone = resnest50(pretrained=pretrained) + + # 替换最后的全连接层 + self.backbone.fc = nn.Identity() + + # Attention pooling + self.attention_pool = AttentionPooling2d(2048, hidden_dim=128) + + # Classifier head + self.classifier = nn.Sequential( + nn.Dropout(0.3), + nn.Linear(2048, 512), + nn.ReLU(), + nn.Dropout(0.2), + nn.Linear(512, num_classes) + ) + + def forward(self, x): + # x: (batch, channels, time, freq) - Mel-spectrogram + features = self.backbone(x) # (batch, 2048, H, W) + pooled = self.attention_pool(features) # (batch, 2048) + logits = self.classifier(pooled) # (batch, num_classes) + return logits + +# 使用示例 +model = BirdcallClassifier(num_classes=264, pretrained=True) +mel_spec_batch = torch.randn(8, 3, 224, 512) # (batch, channels, freq, time) +logits = model(mel_spec_batch) +probs = torch.sigmoid(logits) # Multi-label prediction +``` + +#### 数据增强 +```python +import torch +import torchaudio +import random + +class BirdcallAugmentation: + def __init__(self, sample_rate=32000): + self.sample_rate = sample_rate + + def add_noise(self, waveform, noise_level=0.005): + """添加高斯噪声""" + noise = torch.randn_like(waveform) * noise_level + return waveform + noise + + def add_pink_noise(self, waveform, alpha=1): + """添加粉红噪声（1/f 噪声）""" + # 简化的粉红噪声生成 + white_noise = torch.randn_like(waveform) + # 在频域应用 1/f 滤波 + freq_noise = torch.fft.rfft(white_noise) + freqs = torch.fft.rfftfreq(waveform.shape[-1], 1/self.sample_rate) + pink_filter = 1 / (freqs[1:] + 1e-8) ** alpha + freq_noise[:, 1:] *= pink_filter + pink_noise = torch.fft.irfft(freq_noise, n=waveform.shape[-1]) + return waveform + pink_noise * 0.01 + + def time_mask(self, mel_spec, max_mask_pct=0.1): + """时间遮罩（SpecAugment）""" + batch, channels, time, freq = mel_spec.shape + mask_len = int(time * max_mask_pct) + t = random.randint(0, mask_len) + t0 = random.randint(0, time - t) + mel_spec[:, :, t0:t0+t, :] = 0 + return mel_spec + + def freq_mask(self, mel_spec, max_mask_pct=0.1): + """频率遮罩""" + batch, channels, time, freq = mel_spec.shape + mask_len = int(freq * max_mask_pct) + f = random.randint(0, mask_len) + f0 = random.randint(0, freq - f) + mel_spec[:, :, :, f0:f0+f] = 0 + return mel_spec + + def pitch_shift(self, waveform, shift=2.0): + """音高变换""" + # 简化实现：使用 resampling + # 实际应用中可用更高级的库如 pydub 或 librosa + n_steps = int(shift * 10) + resampler = torchaudio.transforms.Resample( + self.sample_rate, + int(self.sample_rate * (1 + shift * 0.1)) + ) + return resampler(waveform) + + def gain(self, waveform, min_gain=0.5, max_gain=1.5): + """音量调整""" + gain = random.uniform(min_gain, max_gain) + return waveform * gain + +# 使用示例 +augmentation = BirdcallAugmentation(sample_rate=32000) +waveform, sr = torchaudio.load("bird_audio.wav") + +# 应用增强 +waveform_aug = augmentation.add_noise(waveform) +waveform_aug = augmentation.gain(waveform_aug) +``` + +#### 训练循环 +```python +import torch +import torch.nn as nn +from torch.utils.data import DataLoader + +def train_epoch(model, dataloader, criterion, optimizer, device, augmentation=None): + model.train() + total_loss = 0 + + for batch in dataloader: + waveforms, labels = batch + waveforms = waveforms.to(device) + labels = labels.to(device) + + # 数据增强（训练时） + if augmentation is not None: + # 在 Mel-spectrogram 上应用增强 + pass + + # 前向传播 + logits = model(waveforms) + loss = criterion(logits, labels.float()) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + total_loss += loss.item() + + return total_loss / len(dataloader) + +def train_model(model, train_loader, val_loader, num_epochs=30, device='cuda'): + criterion = nn.BCEWithLogitsLoss() + optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=num_epochs) + + best_val_score = 0 + + for epoch in range(num_epochs): + # 训练 + train_loss = train_epoch(model, train_loader, criterion, optimizer, device) + + # 验证 + val_score, val_loss = validate(model, val_loader, criterion, device) + + # 学习率调度 + scheduler.step() + + print(f"Epoch {epoch+1}/{num_epochs}") + print(f"Train Loss: {train_loss:.4f}") + print(f"Val Loss: {val_loss:.4f}") + print(f"Val F1: {val_score:.4f}") + + # 保存最佳模型 + if val_score > best_val_score: + best_val_score = val_score + torch.save(model.state_dict(), 'best_model.pth') + + return model +``` + +#### 集成与后处理 +```python +import numpy as np +import pandas as pd + +class EnsemblePredictor: + def __init__(self, models, threshold=0.5, min_votes=4): + """ + Args: + models: 模型列表 + threshold: 二值化阈值 + min_votes: 最小投票数（如 1st place 用 4 票） + """ + self.models = models + self.threshold = threshold + self.min_votes = min_votes + + def predict(self, mel_spec_batch): + """集成预测""" + all_predictions = [] + + for model in self.models: + model.eval() + with torch.no_grad(): + logits = model(mel_spec_batch) + probs = torch.sigmoid(logits) + binary = (probs > self.threshold).float() + all_predictions.append(binary.cpu().numpy()) + + # 投票集成 + all_predictions = np.array(all_predictions) # (n_models, batch, num_classes) + votes = all_predictions.sum(axis=0) # (batch, num_classes) + + # 需要至少 min_votes 票 + final_pred = (votes >= self.min_votes).astype(int) + + return final_pred + +def temporal_post_process(predictions, window_size=3, min_duration=3): + """ + 时间后处理 + + Args: + predictions: (time_steps, num_classes) 二值预测 + window_size: 平滑窗口大小 + min_duration: 最小持续时间（时间步） + """ + smoothed = predictions.copy() + + # 时间平滑（多数投票） + for i in range(predictions.shape[0]): + start = max(0, i - window_size // 2) + end = min(predictions.shape[0], i + window_size // 2 + 1) + window = predictions[start:end] + smoothed[i] = (window.sum(axis=0) > window_size // 2).astype(int) + + # 移除短于阈值的检测 + final = smoothed.copy() + for c in range(predictions.shape[1]): + col = smoothed[:, c] + # 找连续段 + changes = np.diff(col, prepend=0, append=0) + starts = np.where(changes == 1)[0] + ends = np.where(changes == -1)[0] + + for s, e in zip(starts, ends): + if e - s < min_duration: + final[s:e, c] = 0 + + return final + +def create_submission(predictions, audio_ids, bird_species): + """ + 创建提交文件 + + Args: + predictions: (n_samples, num_classes) 二值预测 + audio_ids: 音频文件 ID 列表 + bird_species: 鸟类名称列表 + """ + rows = [] + for audio_id, pred in zip(audio_ids, predictions): + active_birds = [bird_species[i] for i, p in enumerate(pred) if p == 1] + if active_birds: + rows.append({ + 'row_id': f"{audio_id}", + 'birds': ' '.join(active_birds) + }) + else: + rows.append({ + 'row_id': f"{audio_id}", + 'birds': 'nocall' + }) + + submission = pd.DataFrame(rows) + return submission +``` + +### 最佳实践 + +1. **音频预处理标准化**： + - 统一采样率（32kHz 或 44.1kHz） + - 使用高质量的 Mel-spectrogram 参数（n_fft=2048, hop_length=512, n_mels=128） + - 对数幅度压缩（log 或 dB 转换） + +2. **模型选择**： + - ResNeSt 表现最佳（split-attention 机制） + - 在 ImageNet 上预训练的模型迁移效果好 + - Attention Pooling 优于 Global Average Pooling + +3. **数据增强策略**： + - SpecAugment（时间/频率遮罩）是必需的 + - Mixup 有助于提高泛化能力 + - 添加背景噪声提高鲁棒性 + - GAN 生成增强数据可以提升稀有类别性能 + +4. **集成方法**： + - 投票集成优于平均集成 + - 设置最小投票数阈值（如 4 票）可减少误报 + - 使用不同 checkpoint 和随机种子增加多样性 + +5. **后处理优化**： + - 时间平滑可以减少闪烁 + - 移除短于阈值的检测 + - 类别特定的阈值优化 + +6. **验证策略**： + - 使用 5-fold 交叉验证 + - 仔细设计验证集以反映测试集分布 + - 监控 micro-F1 分数 + +7. **训练技巧**： + - 使用 AdamW 优化器 + - Cosine annealing 学习率调度 + - Binary Cross-Entropy Loss + - Label smoothing 有助于正则化 + +8. **常见陷阱**： + - 避免过度拟合训练集的音频特征 + - 注意类别不平衡问题 + - 验证集和测试集可能有不同的分布 + - 推理时间限制（如果有）需要考虑模型效率 + +--- + +## BirdCLEF 2021 - Birdcall Identification + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology + LifeCLEF +- **目标**：识别音频录音中的鸟类叫声（弱监督多标签音频分类） +- **应用场景**：鸟类种群监测，生物声学研究，生态系统保护 +- **数据集规模**： + - 训练音频：约 3,900 段录音，涵盖 397 种鸟类 + - 测试音频：约 2,600 段连续录音（soundscape） + - 弱监督标注：只有音频级别的标签，无时间戳 +- **评估指标**：micro-averaged F1-score +- **最终排名**： + - 1st Place: DR (kami634) - 弱监督方案 + - 2nd Place: Christof Henkel + - 3rd Place: shiro + - 总参赛队伍：约 1,700+ 支 + +### 前排方案详细技术分析 + +#### 1st Place - Weak Supervision with PANNs (DR) + +核心技巧： +- **Pre-trained Audio Neural Networks (PANNs)**：使用预训练的音频神经网络 +- **Weak Supervision Strategy**：弱监督学习策略 +- **Attention Mechanisms**：自注意力机制用于音频分类 +- **Spectrogram-based Features**：基于频谱图的特征 +- **Model Ensemble**：多模型集成 +- **Post-processing**：后处理优化 + +实现细节： +- **基础模型**： + - 使用预训练的 PANNs (Pre-trained Audio Neural Networks) + - 包括 CNN14, CNN10, ResNet38 等架构 + - 在 AudioSet 上预训练 + - 迁移学习到鸟类叫声分类 +- **特征提取**： + - Mel-spectrogram（64/128 Mel bins） + - 对数幅度压缩 + - 多尺度时间窗口 +- **弱监督策略**： + - 仅使用音频级别的标签（无时间戳） + - 通过注意力机制定位关键区域 + - 多实例学习（Multiple Instance Learning） +- **模型架构**： + - CNN-based 特征提取器 + - Self-Attention 层 + - Global Pooling + 分类器 +- **集成方法**： + - 多个 PANNs 模型集成 + - 不同架构和预训练权重 + - 投票或平均策略 +- **数据增强**： + - Mixup + - SpecAugment + - 背景噪声添加 +- **后处理**： + - 时间平滑 + - 阈值优化 + - 类别特定的后处理 + +#### 2nd Place - New Baseline with Strong Augmentation (Christof Henkel) + +核心技巧： +- **New Baseline Architecture**：新颖的基线架构 +- **Mixup Augmentation**：Mixup 数据增强 +- **Background Noise Addition**：背景噪声添加 +- **Pseudo-labeling**：伪标签策略 +- **5-second Segment Inference**：5秒片段推理 +- **Strong Single Model**：强大的单模型 + +实现细节： +- **模型选择**： + - ResNet50 / ResNeSt50 + - EfficientNet variants + - DenseNet-based models +- **音频预处理**： + - 重采样到 32kHz + - Mel-spectrogram 提取 + - 标准化处理 +- **增强策略**： + - Mixup（强制使用） + - 时间遮罩（Time Masking） + - 频率遮罩（Frequency Masking） + - 背景噪声混合 +- **伪标签**： + - 使用训练好的模型预测未标注数据 + - 高置信度预测作为伪标签 + - 迭代训练 +- **训练配置**： + - Binary Cross-Entropy Loss + - AdamW 优化器 + - Cosine 学习率衰减 + - 5-fold 交叉验证 +- **推理策略**： + - 5秒滑动窗口 + - 窗口间有重叠 + - 多个窗口预测聚合 + +#### 3rd Place - Ensemble with Multiple Approaches (shiro) + +核心技巧： +- **Multiple Model Families**：多族模型集成 +- **Spectral Feature Engineering**：频谱特征工程 +- **Cross-Validation Strategy**：交叉验证策略 +- **Post-processing Pipeline**：后处理流程 +- **Attention-based Models**：基于注意力的模型 + +实现细节： +- **模型选择**： + - ResNet variants + - DenseNet variants + - EfficientNet variants + - Custom CNN architectures +- **特征多样性**： + - 不同 Mel-spectrogram 参数 + - MFCC features + - Chroma features + - Spectral contrast +- **训练策略**： + - 5-fold 交叉验证 + - Early stopping + - Learning rate scheduling +- **集成方法**： + - 加权平均 + - 基于验证集权重优化 + - 不同 checkpoint 集成 + +#### 4th Place - Third Time's The Charm (tattaka) + +核心技巧： +- **Iterative Improvement**：迭代改进策略 +- **Strong Data Augmentation**：强数据增强 +- **Spectrogram Preprocessing**：频谱预处理优化 +- **Model Architecture Search**：模型架构搜索 +- **Ensemble Optimization**：集成优化 + +实现细节： +- **音频处理**： + - 高质量 Mel-spectrogram 参数调优 + - 多种时间窗口长度 + - 频率范围选择 +- **模型架构**： + - ResNet50 + - ResNeSt50 + - DenseNet-121 +- **增强组合**： + - SpecAugment（多种参数） + - Mixup + CutMix + - 噪声增强 + - 音高变换 +- **训练技巧**： + - 渐进式训练 + - 迭代优化 + - A/B 测试不同策略 + +#### 5th Place - Dual Approach Blending (Kramarenko Vladislav) + +核心技巧： +- **Multiple Approaches**：多种方法尝试 +- **Different Feature Sets**：不同特征集 +- **Blending Strategy**：混合策略 +- **Spectral Analysis**：频谱分析 + +实现细节： +- **方法 1**：CNN + Mel-spectrogram +- **方法 2**：Gradient Boosting + 手工特征 +- **最终集成**：两种方法加权混合 + +#### 6th-10th Place 概述 + +**常见技术**： +- PANNs 预训练模型广泛使用 +- SpecAugment 成为标准增强 +- Mixup 几乎所有前排方案使用 +- 5-fold 交叉验证是标准配置 +- Mel-spectrogram 是主流特征 + +**关键技术点**： +- **弱监督处理**：使用注意力机制定位音频中的鸟类叫声 +- **数据增强**：SpecAugment + Mixup + 背景噪声 +- **模型集成**：多架构、多 checkpoint 集成 +- **后处理**：时间平滑、阈值优化、类别特定处理 + +### 代码模板 + +#### PANNs 模型加载和使用 +```python +import torch +import torch.nn as nn +# 需要安装: pip install torchlibrosa +from torchlibrosa.stft import Spectrogram, LogmelFilterBank + +class PANNsCNN14(nn.Module): + """ + 基于 PANNs CNN14 的模型 + 参考: https://github.com/qiuqiangkong/audioset_tagging_cnn + """ + def __init__(self, sample_rate=32000, window_size=512, hop_size=320, + mel_bins=64, fmin=50, fmax=14000, num_classes=397): + super().__init__() + + window = 'hann' + center = True + pad_mode = 'reflect' + ref = 1.0 + amin = 1e-10 + top_db = None + + # Spectrogram extractor + self.spectrogram_extractor = Spectrogram( + n_fft=window_size, + hop_length=hop_size, + win_length=window_size, + window=window, + center=center, + pad_mode=pad_mode, + freeze_parameters=True) + + # Logmel feature extractor + self.logmel_extractor = LogmelFilterBank( + sr=sample_rate, + n_fft=window_size, + n_mels=mel_bins, + fmin=fmin, + fmax=fmax, + ref=ref, + amin=amin, + top_db=top_db, + freeze_parameters=True) + + # SpecAugment (训练时使用) + self.spec_augment = SpecAugmentation( + time_drop_width=64, + time_stripes_num=2, + freq_drop_width=8, + freq_stripes_num=2) + + # CNN14 backbone + self.bn0 = nn.BatchNorm2d(mel_bins) + + self.conv_block1 = ConvBlock(in_channels=1, out_channels=64) + self.conv_block2 = ConvBlock(in_channels=64, out_channels=128) + self.conv_block3 = ConvBlock(in_channels=128, out_channels=256) + self.conv_block4 = ConvBlock(in_channels=256, out_channels=512) + self.conv_block5 = ConvBlock(in_channels=512, out_channels=1024) + self.conv_block6 = ConvBlock(in_channels=1024, out_channels=2048) + + self.fc1 = nn.Linear(2048, 2048, bias=True) + self.fc_audioset = nn.Linear(2048, num_classes, bias=True) + + self.init_weight() + + def init_weight(self): + init_bn(self.bn0) + init_layer(self.fc1) + init_layer(self.fc_audioset) + + def forward(self, input, mixup_lambda=None, device='cuda'): + """ + Args: + input: (batch_size, time_samples) + Returns: + output: (batch_size, num_classes) + """ + # Spectrogram + x = self.spectrogram_extractor(input) # (batch, 1, time, freq) + x = self.logmel_extractor(x) # (batch, 1, time, mel_bins) + + # BN + x = x.transpose(1, 3) + x = self.bn0(x) + x = x.transpose(1, 3) + + # SpecAugment (仅训练时) + if self.training: + x = self.spec_augment(x) + + # CNN blocks + x = self.conv_block1(x, pool_size=(2, 2), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + x = self.conv_block2(x, pool_size=(2, 2), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + x = self.conv_block3(x, pool_size=(2, 2), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + x = self.conv_block4(x, pool_size=(2, 2), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + x = self.conv_block5(x, pool_size=(2, 2), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + x = self.conv_block6(x, pool_size=(1, 1), pool_type='avg') + x = F.dropout(x, p=0.2, training=self.training) + + # Global pooling + x = torch.mean(x, dim=3) # (batch, channels, time) + + (x1, _) = torch.max(x, dim=2) # (batch, channels) + x2 = torch.mean(x, dim=2) # (batch, channels) + x = x1 + x2 # (batch, channels) + + x = F.dropout(x, p=0.5, training=self.training) + x = F.relu_(self.fc1(x)) + embedding = F.dropout(x, p=0.5, training=self.training) + clipwise_output = torch.sigmoid(self.fc_audioset(x)) + + return clipwise_output + + def load_from_pretrained(self, pretrained_path): + """加载预训练权重""" + checkpoint = torch.load(pretrained_path, map_location='cpu') + model_state = self.state_dict() + pretrained_state = checkpoint['model'] + + # 过滤不匹配的键 + pretrained_state = {k: v for k, v in pretrained_state.items() + if k in model_state and v.shape == model_state[k].shape} + + model_state.update(pretrained_state) + self.load_state_dict(model_state) + print(f"Loaded pretrained weights from {pretrained_path}") + +class ConvBlock(nn.Module): + def __init__(self, in_channels, out_channels): + super().__init__() + + self.conv1 = nn.Conv2d(in_channels=in_channels, + out_channels=out_channels, + kernel_size=(3, 3), stride=(1, 1), + padding=(1, 1), bias=False) + self.conv2 = nn.Conv2d(in_channels=out_channels, + out_channels=out_channels, + kernel_size=(3, 3), stride=(1, 1), + padding=(1, 1), bias=False) + self.bn1 = nn.BatchNorm2d(out_channels) + self.bn2 = nn.BatchNorm2d(out_channels) + + self.init_weight() + + def init_weight(self): + init_bn(self.bn1) + init_bn(self.bn2) + init_layer(self.conv1) + init_layer(self.conv2) + + def forward(self, input, pool_size=(2, 2), pool_type='avg'): + x = input + x = F.relu_(self.bn1(self.conv1(x))) + x = F.relu_(self.bn2(self.conv2(x))) + if pool_type == 'max': + x = F.max_pool2d(x, kernel_size=pool_size) + elif pool_type == 'avg': + x = F.avg_pool2d(x, kernel_size=pool_size) + elif pool_type == 'avg+max': + x1 = F.avg_pool2d(x, kernel_size=pool_size) + x2 = F.max_pool2d(x, kernel_size=pool_size) + x = x1 + x2 + else: + raise ValueError(f'Unknown pool type: {pool_type}') + return x + +class SpecAugmentation(nn.Module): + def __init__(self, time_drop_width, time_stripes_num, + freq_drop_width, freq_stripes_num): + super().__init__() + self.time_drop_width = time_drop_width + self.time_stripes_num = time_stripes_num + self.freq_drop_width = freq_drop_width + self.freq_stripes_num = freq_stripes_num + + def forward(self, x): + """x: (batch, channels, time, freq)""" + self._mask_along_axis(x, self.time_drop_width, + self.time_stripes_num, axis=2) + self._mask_along_axis(x, self.freq_drop_width, + self.freq_stripes_num, axis=3) + return x + + def _mask_along_axis(self, x, drop_width, stripes_num, axis): + """沿指定轴遮罩""" + for _ in range(stripes_num): + drop_width = int(drop_width) if isinstance(drop_width, int) else \ + int(drop_width * x.shape[axis]) + drop_start = int(torch.rand(1).item() * (x.shape[axis] - drop_width)) + + if axis == 2: # time axis + x[:, :, drop_start:drop_start + drop_width, :] = 0 + elif axis == 3: # freq axis + x[:, :, :, drop_start:drop_start + drop_width] = 0 + return x + +def init_layer(layer): + """Initialize a Linear or Convolutional layer.""" + nn.init.xavier_uniform_(layer.weight) + if hasattr(layer, 'bias'): + if layer.bias is not None: + layer.bias.data.fill_(0.) + +def init_bn(bn): + """Initialize a Batchnorm layer.""" + bn.bias.data.fill_(0.) + bn.weight.data.fill_(1.) + +# 使用示例 +model = PANNsCNN14( + sample_rate=32000, + window_size=512, + hop_size=320, + mel_bins=64, + num_classes=397 +) + +# 加载预训练权重（可选） +# model.load_from_pretrained('path/to/pretrained/CNN14.pth') + +waveform = torch.randn(4, 32000 * 5) # (batch, 5 seconds at 32kHz) +with torch.no_grad(): + output = model(waveform) +print(output.shape) # (4, 397) +``` + +#### Mixup 数据增强 +```python +import torch +import numpy as np + +def mixup_data(x, y, alpha=0.2): + """ + Mixup 数据增强 + + Args: + x: 输入数据 (batch_size, ...) + y: 标签 (batch_size, num_classes) + alpha: Beta 分布参数 + + Returns: + mixed_x: 混合后的输入 + y_a, y_b: 两个样本的标签 + lam: 混合系数 + """ + if alpha > 0: + lam = np.random.beta(alpha, alpha) + else: + lam = 1 + + batch_size = x.size(0) + index = torch.randperm(batch_size).to(x.device) + + mixed_x = lam * x + (1 - lam) * x[index, :] + y_a, y_b = y, y[index] + + return mixed_x, y_a, y_b, lam + +def mixup_criterion(criterion, pred, y_a, y_b, lam): + """Mixup 损失函数""" + return lam * criterion(pred, y_a) + (1 - lam) * criterion(pred, y_b) + +# 使用示例 +criterion = nn.BCEWithLogitsLoss() + +for batch_idx, (waveforms, labels) in enumerate(train_loader): + waveforms = waveforms.to(device) + labels = labels.to(device) + + # 应用 Mixup + waveforms_mixed, labels_a, labels_b, lam = mixup_data( + waveforms, labels, alpha=0.2 + ) + + # 前向传播 + outputs = model(waveforms_mixed) + + # 计算 Mixup 损失 + loss = mixup_criterion(criterion, outputs, labels_a, labels_b, lam) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() +``` + +#### 弱监督训练（音频级别标签） +```python +import torch +import torch.nn as nn +from torch.utils.data import Dataset + +class BirdcallWeakDataset(Dataset): + """ + 弱监督数据集：只有音频级别标签，无时间戳 + """ + def __init__(self, audio_files, labels, audio_transforms=None, + duration=5, sample_rate=32000): + self.audio_files = audio_files + self.labels = labels # Multi-hot labels: (num_samples, num_classes) + self.audio_transforms = audio_transforms + self.duration = duration + self.sample_rate = sample_rate + + def __len__(self): + return len(self.audio_files) + + def __getitem__(self, idx): + # 加载音频 + waveform, sr = torchaudio.load(self.audio_files[idx]) + + # 重采样 + if sr != self.sample_rate: + resampler = torchaudio.transforms.Resample(sr, self.sample_rate) + waveform = resampler(waveform) + + # 固定长度（裁剪或填充） + target_length = self.duration * self.sample_rate + if waveform.shape[1] > target_length: + # 随机裁剪 + start = torch.randint(0, waveform.shape[1] - target_length, (1,)).item() + waveform = waveform[:, start:start + target_length] + elif waveform.shape[1] < target_length: + # 填充 + padding = target_length - waveform.shape[1] + waveform = torch.nn.functional.pad(waveform, (0, padding)) + + # 获取标签（音频级别，多标签） + label = self.labels[idx] + + # 数据增强 + if self.audio_transforms is not None: + waveform = self.audio_transforms(waveform) + + return waveform, label + +class AttentionPooling(nn.Module): + """ + 注意力池化：用于弱监督学习，自动定位重要区域 + """ + def __init__(self, input_dim, hidden_dim=128): + super().__init__() + self.attention = nn.Sequential( + nn.Linear(input_dim, hidden_dim), + nn.Tanh(), + nn.Linear(hidden_dim, 1) + ) + + def forward(self, x): + """ + Args: + x: (batch, time_steps, features) + + Returns: + pooled: (batch, features) + weights: (batch, time_steps) - 可视化注意力 + """ + attn_weights = F.softmax(self.attention(x), dim=1) + pooled = (x * attn_weights).sum(dim=1) + return pooled, attn_weights + +class WeaklySupervisedBirdcallModel(nn.Module): + """ + 弱监督鸟类叫声分类模型 + """ + def __init__(self, num_classes=397, pretrained=True): + super().__init__() + + # 使用预训练的 PANNs CNN14 作为特征提取器 + self.backbone = PANNsCNN14(num_classes=num_classes, pretrained=pretrained) + + # 移除最后的分类层 + self.backbone.fc_audioset = nn.Identity() + + # 注意力池化 + feature_dim = 2048 # CNN14 的输出维度 + self.attention_pool = AttentionPooling(feature_dim, hidden_dim=128) + + # 分类器 + self.classifier = nn.Sequential( + nn.Dropout(0.3), + nn.Linear(feature_dim, 512), + nn.ReLU(), + nn.Dropout(0.2), + nn.Linear(512, num_classes) + ) + + def forward(self, x, return_attention=False): + """ + Args: + x: (batch, time_samples) + return_attention: 是否返回注意力权重用于可视化 + + Returns: + logits: (batch, num_classes) + attention_weights (optional): (batch, time_steps) + """ + # 提取特征（修改 backbone 以返回时间维度特征） + features = self.extract_features(x) # (batch, time_steps, feature_dim) + + # 注意力池化 + pooled, attn_weights = self.attention_pool(features) + + # 分类 + logits = self.classifier(pooled) + + if return_attention: + return logits, attn_weights + return logits + + def extract_features(self, x): + """ + 从 backbone 提取时间维度特征 + 这是一个简化版本，实际使用时需要修改 PANNsCNN14 + """ + # 简化实现：直接使用全局特征 + with torch.no_grad(): + features = self.backbone.fc1( + torch.mean(self.backbone.bn0( + self.backbone.logmel_extractor( + self.backbone.spectrogram_extractor(x) + ).transpose(1, 3) + ), dim=3) + ) + # 添加时间维度 + return features.unsqueeze(1) # (batch, 1, feature_dim) + +# 训练循环 +def train_weakly_supervised(model, dataloader, criterion, optimizer, device, use_mixup=True): + model.train() + + for waveforms, labels in dataloader: + waveforms = waveforms.to(device) + labels = labels.to(device).float() + + # Mixup 增强 + if use_mixup and np.random.rand() < 0.5: + waveforms, labels_a, labels_b, lam = mixup_data(waveforms, labels, alpha=0.2) + + # 前向传播 + logits = model(waveforms) + + # 计算损失 + if use_mixup and np.random.rand() < 0.5: + loss = mixup_criterion(criterion, logits, labels_a, labels_b, lam) + else: + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + +# 可视化注意力（用于理解模型关注的区域） +def visualize_attention(model, waveform, bird_name): + """可视化注意力权重，了解模型关注的音频区域""" + model.eval() + with torch.no_grad(): + logits, attention = model(waveform.unsqueeze(0), return_attention=True) + + # attention: (1, time_steps) + attention = attention.squeeze(0).cpu().numpy() + + import matplotlib.pyplot as plt + fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 6)) + + # 音频波形 + ax1.plot(waveform.cpu().numpy().T) + ax1.set_title(f'Audio Waveform - {bird_name}') + ax1.set_xlabel('Time') + ax1.set_ylabel('Amplitude') + + # 注意力权重 + ax2.plot(attention) + ax2.set_title('Attention Weights') + ax2.set_xlabel('Time Step') + ax2.set_ylabel('Attention Weight') + + plt.tight_layout() + plt.savefig('attention_visualization.png') + plt.close() +``` + +#### 5秒滑动窗口推理 +```python +import torch +import numpy as np + +def predict_with_sliding_window(model, audio_path, window_size=5, + hop_size=2.5, sample_rate=32000, + device='cuda'): + """ + 使用滑动窗口进行推理 + + Args: + model: 训练好的模型 + audio_path: 音频文件路径 + window_size: 窗口大小（秒） + hop_size: 跳跃大小（秒） + sample_rate: 采样率 + device: 设备 + + Returns: + predictions: (num_windows, num_classes) + timestamps: 窗口时间戳 + """ + model.eval() + + # 加载音频 + waveform, sr = torchaudio.load(audio_path) + if sr != sample_rate: + resampler = torchaudio.transforms.Resample(sr, sample_rate) + waveform = resampler(waveform) + + waveform = waveform.mean(dim=0, keepdim=True) # 转为单声道 + + # 计算窗口参数 + window_samples = int(window_size * sample_rate) + hop_samples = int(hop_size * sample_rate) + + predictions = [] + timestamps = [] + + # 滑动窗口 + with torch.no_grad(): + for start in range(0, waveform.shape[1] - window_samples + 1, hop_samples): + end = start + window_samples + window = waveform[:, start:end].to(device) + + # 预测 + logits = model(window) + probs = torch.sigmoid(logits).cpu().numpy() + + predictions.append(probs[0]) + timestamps.append(start / sample_rate) + + predictions = np.array(predictions) + timestamps = np.array(timestamps) + + return predictions, timestamps + +def aggregate_predictions(predictions, threshold=0.5, min_duration=3): + """ + 聚合滑动窗口预测 + + Args: + predictions: (num_windows, num_classes) + threshold: 二值化阈值 + min_duration: 最小持续时间（窗口数） + + Returns: + final_pred: (num_windows, num_classes) 二值预测 + """ + binary_pred = (predictions > threshold).astype(int) + + # 时间平滑 + final_pred = binary_pred.copy() + for c in range(binary_pred.shape[1]): + col = binary_pred[:, c] + + # 移除短于阈值的检测 + changes = np.diff(col, prepend=0, append=0) + starts = np.where(changes == 1)[0] + ends = np.where(changes == -1)[0] + + for s, e in zip(starts, ends): + if e - s < min_duration: + final_pred[s:e, c] = 0 + + return final_pred + +def create_birdclef_submission(predictions, timestamps, audio_id, + bird_species, threshold=0.5): + """ + 创建 BirdCLEF 格式的提交文件 + + Args: + predictions: (num_windows, num_classes) 概率预测 + timestamps: (num_windows,) 时间戳 + audio_id: 音频文件 ID + bird_species: 鸟类名称列表 + threshold: 二值化阈值 + + Returns: + rows: 提交文件的行列表 + """ + rows = [] + + for i, (pred, ts) in enumerate(zip(predictions, timestamps)): + # 获取活跃的鸟类 + active_birds = [] + for j, p in enumerate(pred): + if p > threshold: + active_birds.append(bird_species[j]) + + # 创建 row_id + row_id = f"{audio_id}_{ts:.1f}" + + if active_birds: + rows.append({ + 'row_id': row_id, + 'birds': ' '.join(active_birds) + }) + else: + rows.append({ + 'row_id': row_id, + 'birds': 'nocall' + }) + + return rows + +# 使用示例 +model = WeaklySupervisedBirdcallModel(num_classes=397) +model = model.to(device) +model.load_state_dict(torch.load('best_model.pth')) + +audio_path = 'test_soundscape.wav' +predictions, timestamps = predict_with_sliding_window( + model, audio_path, window_size=5, hop_size=2.5, device=device +) + +# 聚合预测 +final_pred = aggregate_predictions(predictions, threshold=0.5, min_duration=3) + +# 创建提交 +bird_species = [...] # 397 个鸟类名称列表 +rows = create_birdclef_submission( + predictions, timestamps, 'soundscape_01', bird_species, threshold=0.5 +) + +import pandas as pd +submission = pd.DataFrame(rows) +submission.to_csv('submission.csv', index=False) +``` + +### 最佳实践 + +1. **弱监督学习策略**： + - 使用注意力机制定位音频中的关键区域 + - 多实例学习（MIL）框架处理音频级别标签 + - 时序池化（Temporal Pooling）聚合时间维度信息 + +2. **预训练模型利用**： + - PANNs（AudioSet 预训练）是最流行的起点 + - CNN14/CNN10 提供强大的基线特征 + - 迁移学习显著提升性能 + +3. **数据增强组合**： + - SpecAugment（时间+频率遮罩）必需 + - Mixup 是 BirdCLEF 2021 的关键技巧 + - 背景噪声添加提高鲁棒性 + - 组合多种增强效果最佳 + +4. **训练技巧**： + - 5-fold 交叉验证标准配置 + - AdamW + Cosine 学习率 + - Binary Cross-Entropy Loss + - Label Smoothing 有助于正则化 + - 渐进式训练策略 + +5. **推理策略**： + - 5秒滑动窗口（与标注一致） + - 窗口间有重叠（2.5秒跳跃） + - 时间平滑减少闪烁 + - 移除短于阈值的检测 + +6. **集成方法**： + - 多架构集成（ResNet, DenseNet, EfficientNet） + - 多 checkpoint 集成 + - 不同增强配置增加多样性 + - 加权平均或投票集成 + +7. **后处理优化**： + - 类别特定的阈值优化 + - 时间平滑（移动平均或中值滤波） + - 最小持续时间过滤 + - 基于验证集优化阈值 + +8. **常见陷阱**： + - 忽略弱监督的特殊性（无时间戳） + - 过度依赖单一模型 + - 验证集和测试集分布不同 + - 忘记时间平滑导致预测不稳定 + - 阈值选择不当影响 F1 分数 + +--- + +## BirdCLEF 2022 - Endangered Bird Sounds Classification + +**竞赛背景：** +- **主办方**：Cornell Lab of Ornithology + LifeCLEF +- **目标**：识别夏威夷濒危鸟类的叫声（多标签音频分类） +- **应用场景**：濒危物种保护，生态系统监测 +- **数据集规模**： + - 训练音频：约 8,700 段标注录音，涵盖 152 种鸟类（主要是夏威夷物种） + - 测试音频：约 1,300 段连续录音（soundscape） + - 短片段标注：部分音频有 5 秒级别的短片段标注 + - 背景噪声：包含雨声、风声、昆虫声等复杂环境音 +- **评估指标**：micro-averaged F1-score +- **最终排名**： + - 1st Place: kdl - "It's not all BirdNet" + - 2nd Place: Leon Shangguan + - 3rd Place: uemu-slime + - 总参赛队伍：约 1,600+ 支 + +### 前排方案详细技术分析 + +#### 1st Place - Beyond BirdNet (kdl) + +核心技巧： +- **BirdNet + Perch Architecture**：结合 BirdNet 和 Perch 模型 +- **SED Framework**：声音事件检测框架 +- **Multi-scale Input**：短片段（5秒）和长片段（10秒+） +- **AND Rule**：短片段和长片段预测的 AND 逻辑 +- **Model Ensemble**：多架构集成 +- **External Data**：使用 BirdCLEF 2021 数据增强 + +实现细节： +- **模型架构组合**： + - BirdNet（预训练鸟类分类模型） + - Perch（预训练模型，类似 BirdNET-lite） + - 自训练 CNN 模型（ResNet50/ResNeSt50） + - SED 模型（framewise 输出） +- **多尺度策略**： + - 短片段（5秒）：精确分类 + - 长片段（10-15秒）：提高召回率 + - AND 规则：短片段 AND 长片段都预测为正才认为存在 +- **SED 实现**： + - 使用 framewise 输出 + - max(framewise, dim=time) 聚合 + - 时间注意力机制 +- **集成方法**： + - 多个模型集成（10+ 模型） + - 不同预训练权重 + - 不同输入长度 + - TTA（Test Time Augmentation） +- **外部数据**： + - BirdCLEF 2021 数据迁移学习 + - 额外鸟类音频数据 +- **后处理**： + - 时间平滑 + - 最小持续时间过滤 + - 类别特定阈值 + +#### 2nd Place - SED + CNN with 7 Models Ensemble (Leon Shangguan) + +核心技巧： +- **SED Framework**：声音事件检测框架 +- **10-second Chunks**：10秒片段处理 +- **Centered 5-second CNN**：中心 5 秒 CNN 预测 +- **Max Framewise Pooling**：framewise 最大值池化 +- **7 Models Ensemble**：7 模型集成 +- **TTA with 2s Shifts**：2秒偏移的测试时增强 + +实现细节： +- **SED 模型**： + - 使用 10 秒音频片段 + - 输出 framewise 预测 + - max(framewise, dim=time) 聚合 + - ResNet50/ResNeSt50 backbone +- **CNN 模型**： + - 仅对中心 5 秒进行预测 + - 减少计算量 + - Mel-spectrogram 输入 +- **集成策略**： + - 7 个模型集成 + - 不同架构和配置 + - 加权平均 +- **TTA**： + - 2 秒偏移的多个预测 + - 预测平均 +- **数据增强**： + - SpecAugment + - Mixup + - 背景噪声 + +#### 3rd Place - 18 Checkpoints Ensemble (uemu-slime) + +核心技巧： +- **18 Checkpoints Ensemble**：18 个模型检查点集成 +- **Multiple CNN Architectures**：多种 CNN 架构 +- **Different Folds**：不同折的训练 +- **Perch + BirdNet**：使用预训练模型 +- **Strong Data Augmentation**：强数据增强 + +实现细节： +- **模型架构**： + - ResNet50 + - ResNeSt50 + - EfficientNet-B0/B3 + - Perch（预训练） + - BirdNet（预训练） +- **训练策略**： + - 每个架构在 5-fold 上训练 + - 选择最佳 checkpoint + - 共 18 个模型 +- **集成方法**： + - 简单平均 + - 所有模型等权重 +- **增强组合**： + - SpecAugment + - Mixup + - 背景噪声 + - 时间遮罩/频率遮罩 + +#### 4th Place - CNN-based Ensemble (Kramarenko Vladislav) + +核心技巧： +- **CNN Ensemble**：CNN 模型集成 +- **Mel-Spectrogram Features**：Mel 频谱特征 +- **Multiple Backbones**：多种主干网络 +- **Cross-Validation**：交叉验证 + +实现细节： +- **模型选择**： + - ResNet50 + - ResNeSt50 + - DenseNet-121 +- **特征工程**： + - Mel-spectrogram + - 不同参数配置 +- **训练**： + - 5-fold 交叉验证 + - Early stopping + +#### 5th Place - Reimplementation of 2021 2nd Place (common-kestrel) + +核心技巧： +- **9 Models Ensemble**：9 模型集成 +- **BirdCLEF 2021 Baseline**：重实现 2021 年 2nd place 方案 +- **4x Backbones**：4 种主干网络 +- **Different Seeds and Folds**：不同随机种子和折 + +实现细节： +- **主干网络**： + - ResNet50 + - ResNeSt50 + - EfficientNet-B0 + - DenseNet-121 +- **配置多样性**： + - 不同随机种子 + - 不同 fold + - 不同数据增强参数 +- **集成方法**： + - 平均集成 + - 9 个模型 + +#### 6th-10th Place 概述 + +**常见技术**： +- BirdNet 预训练模型广泛使用 +- Perch 模型（类似 BirdNET-lite） +- SED（Sound Event Detection）框架 +- 多尺度输入（5秒 + 10-15秒） +- SpecAugment + Mixup 标准配置 + +**关键技术点**： +- **短片段长片段结合**：AND 规则减少误报 +- **Framewise 预测**：SED 模型的 framewise 输出 +- **外部数据利用**：BirdCLEF 2021 数据迁移学习 +- **模型集成**：10-20 个模型集成是常态 +- **后处理**：时间平滑、最小持续时间过滤 + +### 代码模板 + +#### SED 模型（Framewise 输出） +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class SEDModel(nn.Module): + """ + 声音事件检测模型 - 输出 framewise 预测 + + 用于 BirdCLEF 2022 风格的音频分类 + """ + def __init__(self, num_classes=152, backbone='resnet50', + sample_rate=32000, window_size=5, hop_size=512): + super().__init__() + + self.num_classes = num_classes + self.window_size = window_size + self.sample_rate = sample_rate + + # Mel-spectrogram 提取器 + self.mel_extractor = MelSpectrogramExtractor( + sample_rate=sample_rate, + n_mels=128, + n_fft=2048, + hop_length=hop_size + ) + + # Backbone（简化版本） + if backbone == 'resnet50': + import torchvision.models as models + self.backbone = models.resnet50(pretrained=True) + # 修改第一层接受 1 通道输入（mel-spectrogram） + self.backbone.conv1 = nn.Conv2d( + 1, 64, kernel_size=7, stride=2, padding=3, bias=False + ) + feature_dim = 2048 + elif backbone == 'resnest50': + # 使用 ResNeSt50 + feature_dim = 2048 + + # 移除最后的全连接层 + self.backbone.fc = nn.Identity() + + # Framewise 分类头 + self.fc = nn.Linear(feature_dim, num_classes) + + def forward(self, waveform, return_frames=False): + """ + Args: + waveform: (batch, time_samples) + return_frames: 是否返回 framewise 预测 + + Returns: + output: (batch, num_classes) 或 (batch, time_frames, num_classes) + """ + batch_size = waveform.shape[0] + + # 提取 Mel-spectrogram + mel_spec = self.mel_extractor.extract(waveform) # (batch, 1, mel_bins, time_frames) + + # 通过 backbone（保留时间维度） + # 简化版本：实际需要修改 backbone 以保留时间维度 + features = self.extract_features_with_time(mel_spec) # (batch, time_frames, feature_dim) + + # Framewise 预测 + framewise_output = self.fc(features) # (batch, time_frames, num_classes) + + if return_frames: + return framewise_output + + # 聚合（max pooling over time） + output, _ = torch.max(framewise_output, dim=1) # (batch, num_classes) + + return output + + def extract_features_with_time(self, mel_spec): + """ + 提取特征并保留时间维度 + + 这是一个简化版本，实际使用时需要修改 backbone + """ + # 将时间维度视为 batch 维度处理 + batch, channels, mel_bins, time_frames = mel_spec.shape + + # Reshape: (batch * time_frames, channels, mel_bins, 1) + mel_spec_reshaped = mel_spec.permute(0, 3, 1, 2).reshape( + batch * time_frames, channels, mel_bins, 1 + ) + + # 通过 backbone（需要对输入维度进行调整） + # 这里简化为直接使用全局特征 + features = self.backbone(mel_spec_reshaped) # (batch * time_frames, feature_dim) + + # Reshape 回 (batch, time_frames, feature_dim) + features = features.reshape(batch, time_frames, -1) + + return features + +class MultiScaleSEDModel(nn.Module): + """ + 多尺度 SED 模型 + + 结合短片段（5秒）和长片段（10秒）预测 + """ + def __init__(self, num_classes=152, short_duration=5, long_duration=10): + super().__init__() + + self.num_classes = num_classes + + # 短片段模型（5秒） + self.short_model = SEDModel( + num_classes=num_classes, + window_size=short_duration + ) + + # 长片段模型（10秒） + self.long_model = SEDModel( + num_classes=num_classes, + window_size=long_duration + ) + + def forward(self, waveform_short, waveform_long, use_and_rule=True): + """ + Args: + waveform_short: 5秒音频 (batch, 5 * sample_rate) + waveform_long: 10秒音频 (batch, 10 * sample_rate) + use_and_rule: 是否使用 AND 规则 + + Returns: + output: (batch, num_classes) + """ + # 短片段预测 + output_short = self.short_model(waveform_short) # (batch, num_classes) + prob_short = torch.sigmoid(output_short) + + # 长片段预测 + output_long = self.long_model(waveform_long) # (batch, num_classes) + prob_long = torch.sigmoid(output_long) + + if use_and_rule: + # AND 规则：两者都为正才认为存在 + prob_final = prob_short * prob_long + else: + # OR 规则：任一为正就认为存在 + prob_final = torch.clamp(prob_short + prob_long, 0, 1) + + return prob_final + +# 使用示例 +model = MultiScaleSEDModel(num_classes=152, short_duration=5, long_duration=10) + +# 短片段和长片段 +waveform_short = torch.randn(4, 5 * 32000) # 4 samples, 5 seconds +waveform_long = torch.randn(4, 10 * 32000) # 4 samples, 10 seconds + +# 预测 +with torch.no_grad(): + prob = model(waveform_short, waveform_long, use_and_rule=True) +print(prob.shape) # (4, 152) +``` + +#### TTA（Test Time Augmentation） +```python +import torch +import numpy as np + +def predict_with_tta(model, audio_path, window_size=5, tta_shifts=[0, 1, 2], + sample_rate=32000, device='cuda'): + """ + 使用 TTA 进行推理 + + Args: + model: 训练好的模型 + audio_path: 音频文件路径 + window_size: 窗口大小（秒） + tta_shifts: TTA 偏移量（秒） + sample_rate: 采样率 + device: 设备 + + Returns: + predictions: (num_windows, num_classes) TTA 平均后的预测 + """ + model.eval() + + # 加载音频 + waveform, sr = torchaudio.load(audio_path) + if sr != sample_rate: + resampler = torchaudio.transforms.Resample(sr, sample_rate) + waveform = resampler(waveform) + + waveform = waveform.mean(dim=0, keepdim=True) # 单声道 + + window_samples = int(window_size * sample_rate) + + # 存储所有 TTA 预测 + all_tta_predictions = [] + + for shift in tta_shifts: + shift_samples = int(shift * sample_rate) + + # 计算起始位置 + start_positions = list(range(shift_samples, waveform.shape[1] - window_samples + 1, + int(window_size * sample_rate))) + + predictions = [] + + with torch.no_grad(): + for start in start_positions: + end = start + window_samples + window = waveform[:, start:end].to(device) + + # 预测 + logits = model(window) + probs = torch.sigmoid(logits).cpu().numpy() + predictions.append(probs[0]) + + predictions = np.array(predictions) + all_tta_predictions.append(predictions) + + # TTA 平均 + all_tta_predictions = np.array(all_tta_predictions) # (num_shifts, num_windows, num_classes) + + # 对齐并平均 + avg_predictions = np.mean(all_tta_predictions, axis=0) + + return avg_predictions + +# 使用示例 +model = SEDModel(num_classes=152) +model = model.to(device) +model.load_state_dict(torch.load('best_model.pth')) + +audio_path = 'test_soundscape.wav' +predictions = predict_with_tta( + model, audio_path, window_size=5, tta_shifts=[0, 1, 2], device=device +) + +# 二值化 +threshold = 0.5 +binary_pred = (predictions > threshold).astype(int) +``` + +#### AND 规则后处理 +```python +import numpy as np + +def and_rule_post_process(short_pred, long_pred, threshold=0.5): + """ + AND 规则后处理 + + Args: + short_pred: 短片段预测 (num_windows_short, num_classes) + long_pred: 长片段预测 (num_windows_long, num_classes) + threshold: 二值化阈值 + + Returns: + final_pred: AND 规则后的预测 (num_windows_short, num_classes) + """ + # 二值化 + binary_short = (short_pred > threshold).astype(int) + binary_long = (long_pred > threshold).astype(int) + + # 长片段预测需要对应到短片段的时间位置 + # 假设长片段是短片段的两倍长度 + scale_factor = len(short_pred) / len(long_pred) + + final_pred = np.zeros_like(binary_short) + + for i in range(len(short_pred)): + # 找到对应的长片段索引 + long_idx = int(i / scale_factor) + + if long_idx < len(binary_long): + # AND 规则：两者都为 1 才认为存在 + final_pred[i] = binary_short[i] & binary_long[long_idx] + else: + # 没有对应的长片段预测，使用短片段预测 + final_pred[i] = binary_short[i] + + return final_pred + +# 使用示例 +# 短片段预测（5秒窗口） +short_pred = np.random.rand(100, 152) # 100 个窗口，152 个类别 + +# 长片段预测（10秒窗口） +long_pred = np.random.rand(50, 152) # 50 个窗口 + +# 应用 AND 规则 +final_pred = and_rule_post_process(short_pred, long_pred, threshold=0.5) +``` + +#### 模型集成 +```python +import torch +import numpy as np + +class EnsembleModel: + """ + 模型集成类 + """ + def __init__(self, models, weights=None, device='cuda'): + """ + Args: + models: 模型列表 + weights: 模型权重（可选），默认平均 + device: 设备 + """ + self.models = models + self.device = device + + if weights is None: + # 默认等权重 + self.weights = [1.0 / len(models)] * len(models) + else: + # 归一化权重 + total = sum(weights) + self.weights = [w / total for w in weights] + + # 将模型移到设备并设置为评估模式 + for model in self.models: + model.to(device) + model.eval() + + def predict(self, waveform): + """ + 集成预测 + + Args: + waveform: 输入音频 (batch, time_samples) + + Returns: + ensemble_pred: 集成后的预测 (batch, num_classes) + """ + all_predictions = [] + + with torch.no_grad(): + for model in self.models: + logits = model(waveform) + probs = torch.sigmoid(logits).cpu().numpy() + all_predictions.append(probs) + + all_predictions = np.array(all_predictions) # (num_models, batch, num_classes) + + # 加权平均 + ensemble_pred = np.zeros_like(all_predictions[0]) + for i, pred in enumerate(all_predictions): + ensemble_pred += self.weights[i] * pred + + return ensemble_pred + + def predict_from_files(self, model_paths, ModelClass, model_kwargs, waveform): + """ + 从文件加载模型并预测 + + Args: + model_paths: 模型文件路径列表 + ModelClass: 模型类 + model_kwargs: 模型初始化参数 + waveform: 输入音频 + + Returns: + ensemble_pred: 集成后的预测 + """ + all_predictions = [] + + for path in model_paths: + # 加载模型 + model = ModelClass(**model_kwargs) + model.load_state_dict(torch.load(path)) + model.to(self.device) + model.eval() + + # 预测 + with torch.no_grad(): + logits = model(waveform) + probs = torch.sigmoid(logits).cpu().numpy() + all_predictions.append(probs) + + all_predictions = np.array(all_predictions) + + # 加权平均 + ensemble_pred = np.zeros_like(all_predictions[0]) + for i, pred in enumerate(all_predictions): + ensemble_pred += self.weights[i] * pred + + return ensemble_pred + +# 使用示例 +# 假设有 7 个模型 +models = [ + SEDModel(num_classes=152, backbone='resnet50'), + SEDModel(num_classes=152, backbone='resnest50'), + SEDModel(num_classes=152, backbone='efficientnet_b0'), + # ... 更多模型 +] + +# 加载权重 +for i, model in enumerate(models): + model.load_state_dict(torch.load(f'model_{i}.pth')) + +# 创建集成 +ensemble = EnsembleModel(models, weights=None, device=device) + +# 预测 +waveform = torch.randn(4, 5 * 32000).to(device) +predictions = ensemble.predict(waveform) +print(predictions.shape) # (4, 152) +``` + +#### BirdNet/Perch 模型使用 +```python +""" +BirdNet 和 Perch 是预训练的鸟类音频分类模型 + +使用前需要： +1. 安装 birdnetlib 或 perch 库 +2. 下载预训练权重 + +这里提供一个简化接口示例 +""" + +class BirdNetModel(nn.Module): + """ + BirdNet 模型包装器 + + 实际使用时需要从官方仓库获取模型 + 参考: https://github.com/BirdVox/birdnet-library + """ + def __init__(self, num_classes=152, pretrained_path=None): + super().__init__() + + # 这里应该是 BirdNet 的实际架构 + # 简化版本：使用 ResNet50 + import torchvision.models as models + self.backbone = models.resnet50(pretrained=True) + + # 修改第一层接受 mel-spectrogram + self.backbone.conv1 = nn.Conv2d( + 1, 64, kernel_size=7, stride=2, padding=3, bias=False + ) + + feature_dim = 2048 + + # 分类头 + self.classifier = nn.Sequential( + nn.Dropout(0.5), + nn.Linear(feature_dim, num_classes) + ) + + # 加载预训练权重 + if pretrained_path is not None: + self.load_pretrained(pretrained_path) + + def load_pretrained(self, path): + """加载预训练权重""" + state_dict = torch.load(path, map_location='cpu') + + # 过滤不兼容的键 + model_state = self.state_dict() + pretrained_state = { + k: v for k, v in state_dict.items() + if k in model_state and v.shape == model_state[k].shape + } + + model_state.update(pretrained_state) + self.load_state_dict(model_state) + print(f"Loaded pretrained weights from {path}") + + def forward(self, mel_spec): + """ + Args: + mel_spec: (batch, 1, mel_bins, time_frames) + + Returns: + logits: (batch, num_classes) + """ + features = self.backbone(mel_spec) + logits = self.classifier(features) + return logits + +# 使用示例（需要实际的预训练权重） +# model = BirdNetModel(num_classes=152, pretrained_path='birdnet.pth') +# model.eval() +# with torch.no_grad(): +# logits = model(mel_spec) +# probs = torch.sigmoid(logits) +``` + +### 最佳实践 + +1. **多尺度策略**： + - 短片段（5秒）用于精确分类 + - 长片段（10-15秒）提高召回率 + - AND 规则减少误报（两个都为正才认为存在） + - OR 规则提高召回（任一为正就认为存在） + +2. **SED 框架**： + - Framewise 输出提供时间分辨率 + - Max pooling over time 聚合 + - 注意力权重加权 + +3. **模型集成**： + - 10-20 个模型集成是常态 + - 不同架构（ResNet, ResNeSt, EfficientNet） + - 不同训练配置（fold, seed, 数据增强） + - 加权平均或投票 + +4. **预训练模型利用**： + - BirdNet：强大的鸟类分类预训练模型 + - Perch：轻量级版本（BirdNET-lite） + - 迁移学习显著提升性能 + - 在目标任务上微调 + +5. **外部数据**： + - BirdCLEF 2021 数据 + - 其他鸟类音频数据集 + - 预训练模型在大规模数据上训练 + +6. **TTA（Test Time Augmentation）**： + - 时间偏移（1-2秒） + - 多个预测平均 + - 提高稳定性 + +7. **后处理**： + - 时间平滑 + - 最小持续时间过滤 + - 类别特定阈值 + - AND 规则结合短长片段 + +8. **常见陷阱**： + - 忽视短片段和长片段的互补性 + - 过度依赖单一模型或架构 + - 集成权重未优化 + - 忘记使用 TTA + - AND/OR 规则选择不当 + +--- + +## Rainforest Connection Species Audio Detection 2021 + +**竞赛背景：** +- **主办方**：Rainforest Connection (RFCx) +- **目标**：检测热带雨林录音中的鸟类和蛙类叫声（多标签音频检测） +- **应用场景**：生物多样性监测，生态系统保护，濒危物种追踪 +- **数据集规模**： + - 训练音频：约 2,000 段标注录音 + - 测试音频：约 200 段连续录音（soundscape） + - 物种数量：24 种鸟类和蛙类 + - 采样率：48 kHz +- **评估指标**：LWLRAP (Label-Weighted Label-Ranking Average Precision) +- **最终排名**： + - 1st Place: watercooled + - 7th Place: Beluga & Peter + - 11th Place: cpmp + - 13th Place: Ryan Epp + - 总参赛队伍：约 2,200+ 支 + +### 前排方案详细技术分析 + +#### 1st Place - Image Classification Approach (watercooled) + +核心技巧： +- **Mel-Spectrogram as Images**：将 Mel 频谱视为图像 +- **Pretrained Image Models**：使用预训练图像分类模型 +- **Ensemble**：多模型集成 +- **Temporal Pooling**：时间池化策略 +- **Data Augmentation**：图像和音频增强 +- **Post-processing**：后处理优化 + +实现细节： +- **模型架构**： + - ResNet50/ResNeSt50（ImageNet 预训练） + - EfficientNet-B3 + - 修改第一层接受单通道输入（Mel-spectrogram） +- **特征提取**： + - Mel-spectrogram（128 Mel bins） + - 对数幅度压缩 + - 时间维度：5 秒窗口 +- **集成方法**： + - 多个模型集成 + - 不同 checkpoint + - 加权平均 +- **后处理**： + - 时间平滑 + - 阈值优化 + - 最小持续时间过滤 + +#### 7th Place - Strong Baseline with Ensemble (Beluga & Peter) + +核心技巧： +- **ResNeSt50 Architecture**：ResNeSt-50 主干网络 +- **Mel-Spectrogram Features**：Mel 频谱特征 +- **5-fold Cross-Validation**：5 折交叉验证 +- **Model Ensemble**：模型集成 +- **Strong Data Augmentation**：强数据增强 + +实现细节： +- **模型选择**： + - ResNeSt50（预训练） + - EfficientNet-B3 + - DenseNet-121 +- **增强策略**： + - SpecAugment + - Mixup + - 背景噪声 + - 时间遮罩/频率遮罩 + +#### 11th Place - The 0.931 Magic Explained (cpmp) + +核心技巧： +- **Image Classification Approach**：图像分类方法 +- **High-Performance Architecture**：高性能架构 +- **Optimized Preprocessing**：优化的预处理 +- **LWLRAP-specific Optimization**：针对 LWLRAP 指标优化 + +实现细节： +- **关键发现**： + - 优化的 Mel-spectrogram 参数 + - 特定的数据增强组合 + - 后处理技巧达到 0.931 分数 + +#### 13th Place - Mean Co-Teachers and Noisy Students (Ryan Epp) + +核心技巧： +- **Mean Teacher**：均值教师模型 +- **Co-Teaching**：协同教学 +- **Noisy Student**：噪声学生策略 +- **Semi-Supervised Learning**：半监督学习 +- **Pseudo-labeling**：伪标签 + +实现细节： +- **半监督策略**： + - 使用未标注数据 + - 伪标签迭代优化 + - Mean Teacher 平滑预测 + +### 关键技术点 + +1. **Mel-Spectrogram 作为图像**： + - 将音频转换为 Mel-spectrogram + - 使用图像分类模型（ResNet, EfficientNet） + - 修改第一层接受单通道输入 + +2. **LWLRAP 指标**： + - Label-Weighted Label-Ranking Average Precision + - 需要优化预测的排序 + - 类别权重不平衡 + +3. **数据增强**： + - SpecAugment（时间/频率遮罩） + - Mixup + - 背景噪声 + +4. **模型集成**： + - 多架构集成 + - 不同 checkpoint + - 加权平均 + +5. **后处理**： + - 时间平滑 + - 阈值优化 + - 最小持续时间过滤 + +--- + +## AMP®-Parkinson's Disease Progression Prediction 2023 + +**注意**：此比赛主要使用蛋白质/多肽测量数据，属于**表格数据时序回归**任务，非传统的一维信号处理（如音频、EEG 等）。 + +**竞赛背景：** +- **主办方**：AMP (Accelerating Medicines Partnership) +- **目标**：预测帕金森病患者的 MDS-UPDRS 评分变化（时序回归） +- **应用场景**：帕金森病进展监测，药物效果评估 +- **数据集规模**： + - 患者数量：约 1,000+ 患者 + - 蛋白质/多肽测量：数百种蛋白质特征 + - 时间点：多个月份的访视数据 + - 访视记录：蛋白丰度数据 + 蛋白肽数据 +- **评估指标**：SMAPE (Symmetric Mean Absolute Percentage Error) +- **最终排名**： + - 1st Place: Connecting Dotts + - 2nd Place: No Luck All Skill + - 3rd Place: Hajime Tamura + - 总参赛队伍：约 2,500+ 支 + +### 前排方案详细技术分析 + +#### 1st Place - Feature Engineering + Gradient Boosting (Connecting Dotts) + +核心技巧： +- **Protein/Peptide Feature Engineering**：蛋白质/多肽特征工程 +- **Gradient Boosting Models**：梯度提升模型 +- **Ensemble**：多模型集成 +- **Cross-Validation**：交叉验证 +- **Clincal Knowledge Integration**：临床知识整合 + +实现细节： +- **特征工程**： + - 蛋白质丰度统计特征 + - 时间变化特征 + - 蛋白质-蛋白质交互特征 + - 临床协变量整合 +- **模型选择**： + - XGBoost/LightGBM + - CatBoost + - 多个模型集成 +- **训练策略**： + - 5-fold 交叉验证 + - 特征选择 + - 超参数优化 + +#### 2nd Place - Strong Feature Engineering (No Luck All Skill) + +核心技巧： +- **Advanced Feature Engineering**：高级特征工程 +- **Protein Network Features**：蛋白质网络特征 +- **Time-Series Features**：时序特征 +- **Model Ensemble**：模型集成 + +实现细节： +- **特征类型**： + - 蛋白质丰度基线 + - 时间变化趋势 + - 蛋白质-蛋白质相关性 + - 临床协变量 + +#### 3rd Place - Robust Modeling Approach (Hajime Tamura) + +核心技巧： +- **Robust Feature Selection**：稳健特征选择 +- **Gradient Boosting**：梯度提升 +- **Ensemble Strategy**：集成策略 + +实现细节： +- **特征选择**： + - 基于重要性的特征选择 + - 多重共线性处理 +- **模型**： + - XGBoost/LightGBM + - 简单平均集成 + +### 关键技术点 + +1. **蛋白质数据特征**： + - 蛋白质丰度（protein abundance） + - 肽段数据（peptide data） + - 时间序列变化 + - 临床协变量 + +2. **特征工程**： + - 基线特征 + - 时间变化特征 + - 交互特征 + - 统计特征 + +3. **模型选择**： + - Gradient Boosting (XGBoost, LightGBM, CatBoost) + - 集成多个模型 + +4. **评估指标**： + - SMAPE (Symmetric MAPE) + - 需要处理零值和异常值 + +5. **验证策略**： + - 按患者划分的交叉验证 + - 时间序列分割 + - 防止数据泄露 diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-plus-2025.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-plus-2025.md new file mode 100644 index 0000000..b25b5b1 --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/birdclef-plus-2025.md @@ -0,0 +1,2312 @@ +# BirdCLEF\+ 2025 +> Last updated: 2026-01-23 +> Source count: 1 +--- + +### Mel-Spectrogram 特征提取（BirdCLEF+ 2025） + +基于前排方案，统一的 mel-spectrogram 提取流程： + +```python +import torch +import torchaudio +import torch.nn as nn +import numpy as np + +class MelSpectrogramExtractor: + """统一的 Mel-Spectrogram 提取器""" + + def __init__( + self, + sample_rate: int = 32000, + n_mels: int = 128, + n_fft: int = 2048, + hop_length: int = 512, + fmin: float = 0.0, + fmax: float = 16000.0, + power: float = 2.0, + normalize: bool = True, + ): + self.sample_rate = sample_rate + self.n_mels = n_mels + self.n_fft = n_fft + self.hop_length = hop_length + self.fmin = fmin + self.fmax = fmax + + # 使用 torchaudio 的 MelSpectrogram + self.mel_transform = torchaudio.transforms.MelSpectrogram( + sample_rate=sample_rate, + n_fft=n_fft, + hop_length=hop_length, + n_mels=n_mels, + f_min=fmin, + f_max=fmax, + power=power, + normalized=normalize, + ) + + def extract(self, waveform: torch.Tensor) -> torch.Tensor: + """ + 提取 mel-spectrogram + + Args: + waveform: (num_samples,) 或 (batch, num_samples) + + Returns: + mel_spec: (n_mels, time) 或 (batch, n_mels, time) + """ + if waveform.dim() == 1: + waveform = waveform.unsqueeze(0) + + mel_spec = self.mel_transform(waveform) + + # 转换为对数尺度 + mel_spec = torch.log(mel_spec + 1e-9) + + return mel_spec + + def extract_fixed_length( + self, waveform: torch.Tensor, target_length: int + ) -> torch.Tensor: + """ + 提取固定长度的 mel-spectrogram（用于 5 秒音频） + + Args: + waveform: (num_samples,) + target_length: 目标时间维度 + + Returns: + mel_spec: (n_mels, target_length) + """ + mel_spec = self.extract(waveform).squeeze(0) + + # 调整到固定长度 + if mel_spec.shape[1] < target_length: + # 填充 + pad_length = target_length - mel_spec.shape[1] + mel_spec = nn.functional.pad(mel_spec, (0, pad_length)) + else: + # 裁剪（从中心） + start = (mel_spec.shape[1] - target_length) // 2 + mel_spec = mel_spec[:, start:start + target_length] + + return mel_spec + + +# 常用配置（前排方案） +CONFIGS = { + "config_128": { # tf_efficientnet 系列 + "n_mels": 128, + "n_fft": 2048, + "hop_length": 512, + "fmin": 0.0, + "fmax": 16000.0, + }, + "config_96": { # 轻量级模型 + "n_mels": 96, + "n_fft": 2048, + "hop_length": 512, + "fmin": 0.0, + "fmax": 16000.0, + }, + "config_256": { # 高分辨率 + "n_mels": 256, + "n_fft": 4096, + "hop_length": 1024, + "fmin": 0.0, + "fmax": 16000.0, + }, +} + +# 使用示例 +extractor = MelSpectrogramExtractor(**CONFIGS["config_128"]) +waveform, sr = torchaudio.load("audio.wav") +mel_spec = extractor.extract_fixed_length(waveform.squeeze(0), target_length=313) # 5秒 -> 313帧 +``` + +### 伪标签生成（BirdCLEF+ 2025） + +```python +import torch +import torch.nn as nn +import numpy as np +from pathlib import Path + +class PseudoLabelGenerator: + """伪标签生成器 - 基于前排方案""" + + def __init__( + self, + model: nn.Module, + threshold: float = 0.4, + use_segmentwise: bool = True, + power_transform: float = 1.0, + ): + """ + Args: + model: 训练好的模型 + threshold: 置信度阈值（前排方案使用 0.3-0.5） + use_segmentwise: 是否使用 segmentwise_logit（更细粒度） + power_transform: 幂次变换参数（1st Place 使用） + """ + self.model = model + self.model.eval() + self.threshold = threshold + self.use_segmentwise = use_segmentwise + self.power_transform = power_transform + + @torch.no_grad() + def generate_pseudo_labels( + self, + audio_path: str, + segment_duration: int = 5, + overlap: float = 0.5, + ) -> list[dict]: + """ + 生成伪标签 + + Returns: + List of {"start": float, "end": float, "labels": np.ndarray} + """ + # 加载音频 + waveform, sr = torchaudio.load(audio_path) + + # 分段处理 + samples_per_segment = int(segment_duration * sr) + hop_length = int(samples_per_segment * (1 - overlap)) + + pseudo_labels = [] + + for start_idx in range(0, len(waveform) - samples_per_segment, hop_length): + end_idx = start_idx + samples_per_segment + segment = waveform[:, start_idx:end_idx] + + # 提取特征 + mel_spec = self.extract_mel(segment) + + # 模型预测 + if self.use_segmentwise: + # segmentwise_logit: 更细粒度的预测 + logits = self.model(mel_spec, return_segmentwise=True) + # 时间维度平均 + logits = logits.mean(dim=1) # (batch, num_classes) + else: + logits = self.model(mel_spec) + + # Sigmoid 激活 + probs = torch.sigmoid(logits).squeeze(0).cpu().numpy() + + # 幂次变换（1st Place 创新） + if self.power_transform != 1.0: + probs = np.power(probs, self.power_transform) + + # 高低阈值筛选（10th Place 方法） + mask = self._apply_threshold(probs) + + if mask.sum() > 0: + pseudo_labels.append({ + "start": start_idx / sr, + "end": end_idx / sr, + "labels": probs, + "mask": mask, + }) + + return pseudo_labels + + def _apply_threshold(self, probs: np.ndarray) -> np.ndarray: + """应用高低阈值筛选""" + # 高阈值：正样本 + high_threshold = 0.7 + # 低阈值：负样本 + low_threshold = 0.3 + + mask = np.zeros_like(probs, dtype=bool) + mask[probs >= high_threshold] = True # 高置信度正样本 + mask[probs <= low_threshold] = True # 低置信度负样本 + + return mask + + def extract_mel(self, waveform: torch.Tensor) -> torch.Tensor: + """提取 mel-spectrogram（简化版本）""" + # 实际使用中应该与训练时的提取器一致 + pass + + +# 使用示例（前排方案风格） +generator = PseudoLabelGenerator( + model=model, + threshold=0.4, + use_segmentwise=True, # 6th Place 关键 + power_transform=1.5, # 1st Place 幂次变换 +) + +pseudo_labels = generator.generate_pseudo_labels("train_soundscape_01.wav") +``` + +### MixUp 数据增强（BirdCLEF+ 2025） + +```python +import torch +import torch.nn as nn +import numpy as np + +class AudioMixUp: + """音频 MixUp 增强 - 前排方案风格""" + + def __init__( + self, + alpha: float = 0.5, + mixup_type: str = "hard", # "hard" 或 "soft" + probability: float = 0.5, + ): + """ + Args: + alpha: Beta 分布参数 + mixup_type: + - "soft": 标准混合标签（MixUp） + - "hard": 硬混合标签（8th Place 创新） + probability: 应用 MixUp 的概率 + """ + self.alpha = alpha + self.mixup_type = mixup_type + self.probability = probability + + def __call__( + self, + batch: dict, + ) -> dict: + """ + 应用 MixUp + + Args: + batch: {"mel": (B, C, H, W), "labels": (B, num_classes)} + + Returns: + Mixed batch + """ + if torch.rand(1).item() > self.probability: + return batch + + mel = batch["mel"] + labels = batch["labels"] + + batch_size = mel.size(0) + + # 生成混合权重 + lam = np.random.beta(self.alpha, self.alpha) + + # 随机排列 + index = torch.randperm(batch_size) + + # 混合特征 + mixed_mel = lam * mel + (1 - lam) * mel[index] + + # 混合标签 + if self.mixup_type == "soft": + # 标准 MixUp: 软标签混合 + mixed_labels = lam * labels + (1 - lam) * labels[index] + elif self.mixup_type == "hard": + # 硬 MixUp (8th Place): 混合标签的最大值 + mixed_labels = torch.maximum(labels, labels[index]) + else: + raise ValueError(f"Unknown mixup_type: {self.mixup_type}") + + return { + "mel": mixed_mel, + "labels": mixed_labels, + "lam": lam, # 可能用于损失调整 + } + + +# Sumix 增强（13th Place 使用） +class Sumix: + """Sumix: 原始信号上的 MixUp""" + + def __init__(self, alpha: float = 0.5, probability: float = 1.0): + self.alpha = alpha + self.probability = probability + + def __call__( + self, + waveform: torch.Tensor, + labels: torch.Tensor, + ) -> tuple[torch.Tensor, torch.Tensor]: + """ + 在原始波形上应用 Sumix + + Args: + waveform: (batch, num_samples) + labels: (batch, num_classes) + + Returns: + Mixed waveform and labels + """ + if torch.rand(1).item() > self.probability: + return waveform, labels + + batch_size = waveform.size(0) + lam = np.random.beta(self.alpha, self.alpha) + index = torch.randperm(batch_size) + + # 混合波形 + mixed_waveform = lam * waveform + (1 - lam) * waveform[index] + + # 混合标签（最大值） + mixed_labels = torch.maximum(labels, labels[index]) + + return mixed_waveform, mixed_labels + + +# 使用示例 +mixup = AudioMixUp(alpha=0.5, mixup_type="hard", probability=0.5) +sumix = Sumix(alpha=0.5, probability=1.0) + +# 训练循环中 +for batch in dataloader: + # Sumix 在原始波形 + waveform, labels = sumix(batch["waveform"], batch["labels"]) + + # 提取 mel-spectrogram + mel = extract_mel(waveform) + + # MixUp 在 mel-spectrogram + batch = mixup({"mel": mel, "labels": labels}) +``` + +### Soft AUC Loss（BirdCLEF+ 2025 - 4th Place） + +支持软标签的 AUC 损失函数： + +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class SoftAUCLoss(nn.Module): + """ + Soft AUC Loss - 4th Place 创新 + + 支持 soft labels，适用于知识蒸馏和半监督学习 + """ + + def __init__(self, reduction: str = "mean"): + super().__init__() + self.reduction = reduction + + def forward( + self, + predictions: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + predictions: (batch, num_classes) - 原始 logits + targets: (batch, num_classes) - 软标签 [0, 1] + + Returns: + AUC loss + """ + # Sigmoid 激活 + probs = torch.sigmoid(predictions) + + # 计算 AUC loss + # 对每个类别独立计算 + num_classes = predictions.size(1) + losses = [] + + for c in range(num_classes): + # 当前类别的预测和目标 + prob_c = probs[:, c] + target_c = targets[:, c] + + # 按目标值排序（软标签） + sorted_indices = torch.argsort(target_c, descending=True) + + # 计算正负样本的得分差异 + # 对于软标签，我们需要加权处理 + positive_scores = prob_c[sorted_indices[:len(sorted_indices)//2]] + negative_scores = prob_c[sorted_indices[len(sorted_indices)//2:]] + + # AUC 近似：正样本得分应该高于负样本 + # 使用 sigmoid 差异 + diff = positive_scores.unsqueeze(1) - negative_scores.unsqueeze(0) + loss_c = torch.sigmoid(-diff).mean() + + losses.append(loss_c) + + losses = torch.stack(losses) + + if self.reduction == "mean": + return losses.mean() + elif self.reduction == "sum": + return losses.sum() + else: + return losses + + +# 改进的 AUC Loss（更稳定） +class ImprovedAUCLoss(nn.Module): + """ + 改进的 AUC Loss - 更稳定且支持软标签 + """ + + def __init__(self, margin: float = 1.0): + super().__init__() + self.margin = margin + + def forward( + self, + predictions: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + predictions: (batch, num_classes) + targets: (batch, num_classes) - 软标签 + """ + probs = torch.sigmoid(predictions) + num_classes = predictions.size(1) + + losses = [] + for c in range(num_classes): + prob_c = probs[:, c] + target_c = targets[:, c] + + # 计算成对损失 + # 对于每个样本对 (i, j): + # 如果 target_i > target_j，则希望 prob_i > prob_j + n = prob_c.size(0) + if n < 2: + continue + + # 创建样本对矩阵 + target_diff = target_c.unsqueeze(1) - target_c.unsqueeze(0) + prob_diff = prob_c.unsqueeze(1) - prob_c.unsqueeze(0) + + # 只考虑 target_i > target_j 的对 + mask = target_diff > 0 + + if mask.sum() > 0: + # Hinge loss: max(0, margin - (prob_i - prob_j)) + loss_c = F.relu(self.margin - prob_diff)[mask].mean() + losses.append(loss_c) + + if len(losses) == 0: + return torch.tensor(0.0, device=predictions.device) + + return torch.stack(losses).mean() + + +# 使用示例 +criterion = SoftAUCLoss(reduction="mean") + +# 训练循环 +for batch in dataloader: + predictions = model(batch["mel"]) + + # 支持软标签 + loss = criterion(predictions, batch["labels"]) + + loss.backward() + optimizer.step() +``` + +### 滑动窗口推理（BirdCLEF+ 2025 - 1st Place） + +```python +import torch +import torch.nn as nn +from scipy.ndimage import gaussian_filter1d + +class SlidingWindowInference: + """ + 滑动窗口推理 - 1st Place 创新 + + 使用帧预测的平均值，而不是仅使用中心窗口的最大值 + """ + + def __init__( + self, + model: nn.Module, + window_size: int = 5, # 秒 + hop_size: int = 5, # 秒（步长） + sample_rate: int = 32000, + smoothing_sigma: float = 1.0, + ): + self.model = model + self.model.eval() + self.window_size = window_size + self.hop_size = hop_size + self.sample_rate = sample_rate + self.smoothing_sigma = smoothing_sigma + + @torch.no_grad() + def predict( + self, + audio_path: str, + ) -> dict[str, float]: + """ + 对整个音频进行预测，返回 5 秒窗口的预测 + + Returns: + Dict of {row_id: {species_id: probability}} + """ + # 加载音频 + waveform, sr = torchaudio.load(audio_path) + + # 计算窗口参数 + samples_per_window = int(self.window_size * sr) + samples_per_hop = int(self.hop_size * sr) + + # 存储所有帧预测 + all_frame_predictions = [] + + # 滑动窗口 + window_id = 0 + for start_idx in range(0, len(waveform) - samples_per_window, samples_per_hop): + end_idx = start_idx + samples_per_window + window = waveform[:, start_idx:end_idx] + + # 提取特征 + mel_spec = self.extract_mel(window) + + # 模型预测 + frame_output = self.model(mel_spec) + + # 如果是 SED 模型，可能有 clipwise 和 segmentwise 输出 + if isinstance(frame_output, dict): + frame_pred = frame_output["clipwise_output"] + else: + frame_pred = frame_output + + all_frame_predictions.append(frame_pred.cpu().numpy()) + + window_id += 1 + + # 转换为 numpy array + all_frame_predictions = np.array(all_frame_predictions) # (num_windows, num_classes) + + # 1st Place 创新: 相邻窗口帧预测平均 + # 这是一种 1D 滑动窗口分割，类似于大图像的 2D 滑动窗口分割 + smoothed_predictions = self._smooth_predictions(all_frame_predictions) + + # 生成最终预测 + predictions = {} + for window_id in range(len(smoothed_predictions)): + row_id = f"soundscape_{window_id}_{self.window_size}" + predictions[row_id] = { + f"species_{i}": float(prob) + for i, prob in enumerate(smoothed_predictions[window_id]) + } + + return predictions + + def _smooth_predictions( + self, + predictions: np.ndarray, + ) -> np.ndarray: + """ + 平滑预测 - 使用高斯滤波和时间平均 + + Args: + predictions: (num_windows, num_classes) + + Returns: + Smoothed predictions + """ + # 1. 时间维度高斯平滑 + if self.smoothing_sigma > 0: + smoothed = gaussian_filter1d( + predictions, + sigma=self.smoothing_sigma, + axis=0, + mode="nearest", + ) + else: + smoothed = predictions + + # 2. 相邻窗口平均（1st Place 创新） + # 使用相邻 3 个窗口的平均 + kernel_size = 3 + if len(smoothed) >= kernel_size: + # Padding + padded = np.pad( + smoothed, + ((kernel_size // 2, kernel_size // 2), (0, 0)), + mode="edge", + ) + + # 一维卷积平均 + kernel = np.ones(kernel_size) / kernel_size + averaged = np.zeros_like(smoothed) + + for c in range(smoothed.shape[1]): + averaged[:, c] = np.convolve( + padded[:, c], + kernel, + mode="valid", + ) + + return averaged + else: + return smoothed + + def extract_mel(self, waveform: torch.Tensor) -> torch.Tensor: + """提取 mel-spectrogram""" + # 实际使用中应该与训练时的提取器一致 + pass + + +# 使用示例 +inference = SlidingWindowInference( + model=model, + window_size=5, + hop_size=5, + smoothing_sigma=1.0, +) + +predictions = inference.predict("test_soundscape_01.wav") + +# 后处理（可选） +# - Delta shift: 调整低置信度类别的概率 +# - Min-max 缩放 +# - 频率范围调整 +``` + +### SED 模型架构（BirdCLEF+ 2025 标准） + +前排方案广泛使用的 SED (Sound Event Detection) 模型架构： + +```python +import torch +import torch.nn as nn +import timm + +class SEDModel(nn.Module): + """ + Sound Event Detection 模型 + + 参考 BirdCLEF 2023 2nd Place 和 BirdCLEF+ 2025 前排方案 + """ + + def __init__( + self, + backbone: str = "tf_efficientnetv2_s.in21k", + num_classes: int = 206, + in_channels: int = 1, + pretrained: bool = True, + ): + super().__init__() + + self.num_classes = num_classes + + # 使用 timm 的 EfficientNet 作为 backbone + self.backbone = timm.create_model( + backbone, + pretrained=pretrained, + in_chans=in_channels, + num_classes=0, # 移除分类头 + ) + + # 获取 backbone 输出特征维度 + self.features_dim = self.backbone.num_features + + # 自定义注意力块 (6th Place AttBlockV2) + self.att_block = AttBlockV2( + self.features_dim, + num_classes, + activation="sigmoid", + ) + + def forward(self, x, return_segmentwise=False): + """ + Args: + x: (batch, in_channels, n_mels, time) + return_segmentwise: 是否返回 segmentwise_logit + + Returns: + 如果 return_segmentwise=False: + clipwise_output: (batch, num_classes) + 如果 return_segmentwise=True: + dict with: + clipwise_output: (batch, num_classes) + segmentwise_output: (batch, num_classes, time_frames) + """ + # Backbone 特征提取 + features = self.backbone(x) # (batch, features_dim, time_frames) + + # 全局池化 + pooled_features = features.mean(dim=[2]) # (batch, features_dim) + + # 片级预测 + clipwise_output = self.att_block(pooled_features) # (batch, num_classes) + + if not return_segmentwise: + return clipwise_output + + # 帧级预测（用于伪标签生成） + segmentwise_output = self.att_block(features) # (batch, num_classes, time_frames) + + return { + "clipwise_output": clipwise_output, + "segmentwise_output": segmentwise_output, + } + + +class AttBlockV2(nn.Module): + """ + 自定义注意力块 - 6th Place 创新 + + 使用 softmax 和 tanh 进行归一化，结合非线性变换 + """ + + def __init__( + self, + in_features: int, + out_features: int, + activation: str = "sigmoid", + ): + super().__init__() + + self.activation = activation + self.att = nn.Conv1d(in_features, out_features, kernel_size=1) + self.cla = nn.Conv1d(in_features, out_features, kernel_size=1) + + # 初始化权重（6th Place 关键） + self.apply(self._init_weights) + + def _init_weights(self, m): + if isinstance(m, nn.Conv1d): + nn.init.kaiming_normal_(m.weight, mode="fan_out", nonlinearity="relu") + if m.bias is not None: + nn.init.constant_(m.bias, 0) + + def forward(self, x): + """ + Args: + x: (batch, in_features, time_frames) 或 (batch, in_features) + + Returns: + output: (batch, out_features) 或 (batch, out_features, time_frames) + """ + if x.dim() == 2: + # 全局池化特征 + x = x.unsqueeze(-1) # (batch, in_features, 1) + + # 注意力权重 + att = self.att(x) + att = torch.softmax(att, dim=1) # 时间维度归一化 + + # 分类特征 + cla = self.cla(x) + + # 加权求和 + output = torch.clamp(torch.clamp((cla * att).sum(dim=-1), min=1e-7, max=1-1e-7), min=1e-7) + + # 激活函数 + if self.activation == "sigmoid": + output = torch.sigmoid(output) + elif self.activation == "none": + pass + else: + raise ValueError(f"Unknown activation: {self.activation}") + + return output.squeeze(-1) if output.size(-1) == 1 else output + + +# 常用 backbone 配置（前排方案） +BACKBONES = { + "tf_efficientnetv2_s.in21k": { + "features_dim": 1280, + "description": "2nd Place 使用，平衡性能和速度", + }, + "tf_efficientnetv2_b3.in21k": { + "features_dim": 1536, + "description": "6th Place 使用，更强性能", + }, + "tf_efficientnetv2_m.in21k": { + "features_dim": 2048, + "description": "14th Place 使用，更高精度", + }, + "eca_nfnet_l0": { + "features_dim": 2304, + "description": "2nd Place 使用，增加多样性", + }, +} + +# 使用示例 +model = SEDModel( + backbone="tf_efficientnetv2_s.in21k", + num_classes=206, + in_channels=1, + pretrained=True, +) + +# 训练时：片级预测 +clipwise_output = model(mel_spec) +loss = criterion(clipwise_output, labels) + +# 伪标签生成时：帧级预测 +output = model(mel_spec, return_segmentwise=True) +segmentwise_logits = output["segmentwise_output"] # (batch, 206, time_frames) +segmentwise_probs = torch.sigmoid(segmentwise_logits) +# 时间维度平均得到更稳定的伪标签 +avg_segmentwise_probs = segmentwise_probs.mean(dim=-1) # (batch, 206) +``` + +### 前排方案详细技术分析 + +#### 2nd Place - Xeno-Canto 预训练详细流程 + +**作者**: Volodymyr Vialactea +**核心创新**: 使用外部数据预训练 + 5秒音频片段训练 + +**完整流程：** + +```python +import torch +import torchaudio +import pandas as pd +from pathlib import Path + +class XenoCantoPretraining: + """ + 2nd Place 方案：Xeno-Canto 预训练流程 + + 关键点： + 1. 下载额外的 Xeno-Canto 数据 + 2. 数据清洗和预处理 + 3. 预训练 + 4. 在主数据集上微调 + """ + + def __init__( + self, + species_list: list, + target_sample_rate: int = 32000, + segment_duration: int = 5, + ): + self.species_list = species_list + self.target_sample_rate = target_sample_rate + self.segment_duration = segment_duration + + def download_xeno_canto_data(self, output_dir: str = "data/xeno_canto"): + """ + 步骤 1: 从 Xeno-Canto 下载数据 + + 注意事项： + - 过滤掉当年比赛中的物种（避免数据泄漏） + - 只下载高质量录音（评分 ≥ 3.0） + - 限制每个物种的下载量（避免数据不平衡） + """ + # 使用 xeno-canto-api 或手动下载 + # 这里提供框架代码 + + xc_species = [s for s in self.species_list if self._should_download(s)] + + for species in xc_species: + # 调用 Xeno-Canto API + # 下载音频文件 + # 保存到 output_dir/species_name/ + pass + + def _should_download(self, species: str) -> bool: + """检查物种是否应该下载（避免数据泄漏）""" + # 过滤比赛数据集中的物种 + competition_species = set(self._get_competition_species()) + return species not in competition_species + + def preprocess_xeno_canto(self, audio_dir: str): + """ + 步骤 2: 数据清洗和预处理 + + 2nd Place 的关键步骤： + 1. 去除人声（如果可能） + 2. 统一采样率到 32kHz + 3. 音频归一化 + 4. 质量检查（SNR、时长等） + """ + audio_files = list(Path(audio_dir).rglob("*.mp3")) + + cleaned_data = [] + + for audio_file in audio_files: + # 加载音频 + waveform, sr = torchaudio.load(audio_file) + + # 重采样到 32kHz + if sr != self.target_sample_rate: + resampler = torchaudio.transforms.Resample(sr, self.target_sample_rate) + waveform = resampler(waveform) + + # 质量检查 + if self._check_quality(waveform): + # 提取 5 秒片段 + segments = self._extract_segments(waveform) + + for segment in segments: + cleaned_data.append({ + "file_path": str(audio_file), + "species": audio_file.parent.name, + "waveform": segment, + }) + + return cleaned_data + + def _check_quality(self, waveform: torch.Tensor) -> bool: + """质量检查""" + # 检查 1: 时长至少 5 秒 + if waveform.shape[1] < self.target_sample_rate * self.segment_duration: + return False + + # 检查 2: SNR（信噪比） + # snr = self._calculate_snr(waveform) + # if snr < 10: # 最低 10dB + # return False + + # 检查 3: 削波检测 + if torch.abs(waveform).max() > 0.99: + return False + + return True + + def _extract_segments(self, waveform: torch.Tensor) -> list: + """ + 提取 5 秒音频片段 + + 2nd Place 使用了多种采样策略： + 1. 随机采样 + 2. 基于能量的采样（RMS） + 3. 重叠采样 + """ + segment_samples = self.segment_duration * self.target_sample_rate + + if waveform.shape[1] <= segment_samples: + # 填充到 5 秒 + padding = segment_samples - waveform.shape[1] + waveform = torch.nn.functional.pad(waveform, (0, padding)) + return [waveform] + + # 方法 1: 随机采样 + # 2nd Place 尝试了多种方法，最终发现随机采样效果最好 + + # 方法 2: 基于能量的采样（RMS） + # 计算每个 5 秒窗口的 RMS 能量 + # 选择能量最高的窗口 + + # 方法 3: 重叠采样 + # 滑动窗口，hop_size = 2.5 秒 + + # 这里实现随机采样 + max_start = waveform.shape[1] - segment_samples + start_idx = torch.randint(0, max_start, (1,)).item() + + segment = waveform[:, start_idx:start_idx + segment_samples] + return [segment] + + def pretrain(self, xc_data, model, save_path: str = "checkpoints/pretrained.pth"): + """ + 步骤 3: 预训练 + + 2nd Place 的预训练策略： + - 使用 Xeno-Canto 数据训练 + - BCE Loss + - SpecAugment 增强 + - 50-100 epochs + """ + # 创建 dataloader + train_loader = self._create_dataloader(xc_data) + + # 优化器 + optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3) + + # 学习率调度器 + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=50, eta_min=1e-6 + ) + + # 损失函数 + criterion = nn.BCEWithLogitsLoss() + + # 训练循环 + model.train() + for epoch in range(50): # 50 epochs + for batch in train_loader: + mel_spec = self._extract_mel(batch["waveform"]) + labels = batch["labels"] + + # 前向传播 + logits = model(mel_spec) + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + scheduler.step() + + print(f"Epoch {epoch+1}/50, Loss: {loss.item():.4f}") + + # 保存预训练模型 + torch.save(model.state_dict(), save_path) + print(f"Pretrained model saved to {save_path}") + + def finetune(self, model, train_data, val_data, pretrained_path: str): + """ + 步骤 4: 微调 + + 2nd Place 的微调策略： + - 加载预训练权重 + - 使用更小的学习率 + - 选择最佳 checkpoint（不是最后一个） + - 关键：AUC 从 0.83-0.84 跳升至 0.86-0.87 + """ + # 加载预训练权重 + model.load_state_dict(torch.load(pretrained_path)) + + # 优化器（更小的学习率） + optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4) + + # 学习率调度器 + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=30, eta_min=1e-7 + ) + + # 损失函数 + criterion = nn.BCEWithLogitsLoss() + + best_val_score = 0 + best_epoch = 0 + + # 微调循环 + model.train() + for epoch in range(30): # 30 epochs + # 训练 + for batch in train_data: + mel_spec = self._extract_mel(batch["waveform"]) + labels = batch["labels"] + + logits = model(mel_spec) + loss = criterion(logits, labels) + + optimizer.zero_grad() + loss.backward() + optimizer.step() + + # 验证 + val_score = self._validate(model, val_data) + + print(f"Epoch {epoch+1}/30, Val AUC: {val_score:.4f}") + + # 保存最佳模型 + if val_score > best_val_score: + best_val_score = val_score + best_epoch = epoch + torch.save(model.state_dict(), f"checkpoints/best_finetuned_epoch{epoch}.pth") + + scheduler.step() + + print(f"Best epoch: {best_epoch}, Best Val AUC: {best_val_score:.4f}") + + def _extract_mel(self, waveform: torch.Tensor) -> torch.Tensor: + """提取 mel-spectrogram（应该与训练时一致）""" + # 实现 mel-spectrogram 提取 + pass + + def _create_dataloader(self, data): + """创建 dataloader""" + pass + + def _validate(self, model, val_data): + """验证""" + pass + + def _get_competition_species(self) -> list: + """获取竞赛数据集中的物种（避免数据泄漏）""" + pass + + def _calculate_snr(self, waveform: torch.Tensor) -> float: + """计算 SNR""" + pass + + +# 2nd Place 关键技术总结 +""" +关键发现（来自 2nd Place writeup）： + +1. **预训练效果显著**： + - 无预训练：AUC 0.83-0.84 + - 有预训练：AUC 0.86-0.87 + - 提升：+0.02-0.03 AUC + +2. **Checkpoint 选择很重要**： + - 不是最后一个 epoch 最好 + - 需要验证集选择最佳 checkpoint + - 通常在 epoch 10-20 之间 + +3. **采样策略**： + - 随机采样效果最好 + - 基于能量的采样没有明显优势 + - 5 秒片段是最佳长度 + +4. **数据增强**： + - SpecAugment 必须保留 + - RandomFiltering 有效 + - 即使关闭略微提高 CV，但保留确保 LB 稳定性 +""" +``` + +#### 5th Place - Self-Distillation 详细实现 + +**作者**: Noir +**核心创新**: 三阶段自蒸馏 + Silero VAD 数据清洗 + +**完整流程：** + +```python +import torch +import torch.nn as nn +import numpy as np + +class SelfDistillationTrainer: + """ + 5th Place 方案：Self-Distillation 三阶段训练 + + 核心思想： + 1. 使用 Silero VAD 去除人声 + 2. 三阶段自蒸馏训练 + 3. 迭代丰富次要标签 + """ + + def __init__( + self, + model: nn.Module, + num_classes: int = 206, + ): + self.model = model + self.num_classes = num_classes + + def stage1_initial_training(self, train_loader, val_loader, epochs=30): + """ + 阶段 1: 初始训练 + + 使用清洗后的训练音频（train_audio）进行初始训练 + """ + print("=== Stage 1: Initial Training ===") + + optimizer = torch.optim.AdamW(self.model.parameters(), lr=1e-3) + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=epochs, eta_min=1e-6 + ) + criterion = nn.BCEWithLogitsLoss() + + best_val_loss = float('inf') + + for epoch in range(epochs): + self.model.train() + train_loss = 0 + + for batch in train_loader: + mel_spec = batch['mel_spec'] + labels = batch['labels'] + + # 前向传播 + logits = self.model(mel_spec) + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + train_loss += loss.item() + + # 验证 + val_loss = self._validate(self.model, val_loader, criterion) + + # 学习率更新 + scheduler.step() + + print(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss/len(train_loader):.4f}, " + f"Val Loss: {val_loss:.4f}") + + # 保存最佳模型 + if val_loss < best_val_loss: + best_val_loss = val_loss + torch.save(self.model.state_dict(), "checkpoints/stage1_best.pth") + + print(f"Stage 1 complete. Best Val Loss: {best_val_loss:.4f}") + + # 加载最佳模型用于下一阶段 + self.model.load_state_dict(torch.load("checkpoints/stage1_best.pth")) + + def stage2_self_distillation_train_audio( + self, + train_loader, + epochs=20, + temperature=3.0, + alpha=0.7, + ): + """ + 阶段 2: 使用 train_audio 的自蒸馏 + + 使用 stage 1 模型的预测作为软标签进行蒸馏 + """ + print("=== Stage 2: Self-Distillation on train_audio ===") + + # stage 1 模型作为教师 + teacher_model = type(self.model)( + backbone=self.model.backbone, + num_classes=self.num_classes, + ) + teacher_model.load_state_dict(torch.load("checkpoints/stage1_best.pth")) + teacher_model.eval() + + # 学生模型（可以重置权重或继续训练） + # 5th Place 选择继续训练 + + optimizer = torch.optim.AdamW(self.model.parameters(), lr=5e-4) # 更小的学习率 + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=epochs, eta_min=1e-7 + ) + + # 蒸馏损失 + distillation_criterion = nn.KLDivLoss(reduction="batchmean") + bce_criterion = nn.BCEWithLogitsLoss() + + best_val_loss = float('inf') + + for epoch in range(epochs): + self.model.train() + train_loss = 0 + + for batch in train_loader: + mel_spec = batch['mel_spec'] + hard_labels = batch['labels'] + + with torch.no_grad(): + # 教师模型预测（软标签） + teacher_logits = teacher_model(mel_spec) + teacher_probs = torch.sigmoid(teacher_logits / temperature) + + # 学生模型预测 + student_logits = self.model(mel_spec) + student_log_probs = torch.log_softmax(student_logits / temperature, dim=-1) + + # 蒸馏损失 + distill_loss = distillation_criterion(student_log_probs, teacher_probs) + + # 硬标签损失 + bce_loss = bce_criterion(student_logits, hard_labels) + + # 组合损失 + loss = alpha * (temperature ** 2) * distill_loss + (1 - alpha) * bce_loss + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + train_loss += loss.item() + + # 验证 + val_loss = self._validate(self.model, train_loader, bce_criterion) # 用训练集验证 + + scheduler.step() + + print(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss/len(train_loader):.4f}, " + f"Val Loss: {val_loss:.4f}") + + if val_loss < best_val_loss: + best_val_loss = val_loss + torch.save(self.model.state_dict(), "checkpoints/stage2_best.pth") + + print(f"Stage 2 complete. Best Val Loss: {best_val_loss:.4f}") + + self.model.load_state_dict(torch.load("checkpoints/stage2_best.pth")) + + def stage3_self_distillation_soundscape( + self, + train_audio_loader, + soundscape_files, + epochs=20, + temperature=3.0, + alpha=0.5, # 更重视伪标签 + ): + """ + 阶段 3: 结合 train_audio 和 train_soundscapes 的自蒸馏 + + 关键创新：丰富次要标签 + - 许多音频包含未标注的鸟叫声 + - 通过自蒸馏发现这些次要标签 + """ + print("=== Stage 3: Self-Distillation with soundscape ===") + + # stage 2 模型作为教师 + teacher_model = type(self.model)( + backbone=self.model.backbone, + num_classes=self.num_classes, + ) + teacher_model.load_state_dict(torch.load("checkpoints/stage2_best.pth")) + teacher_model.eval() + + optimizer = torch.optim.AdamW(self.model.parameters(), lr=3e-4) + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=epochs, eta_min=1e-7 + ) + + distillation_criterion = nn.KLDivLoss(reduction="batchmean") + bce_criterion = nn.BCEWithLogitsLoss() + + # 生成 soundscape 的伪标签 + soundscape_pseudo_labels = self._generate_pseudo_labels( + teacher_model, soundscape_files + ) + + # 合并 train_audio 和 soundscape 数据 + # 50% train_audio + 50% soundscape + + best_val_loss = float('inf') + + for epoch in range(epochs): + self.model.train() + train_loss = 0 + + # 训练 train_audio（带硬标签） + for batch in train_audio_loader: + if np.random.rand() > 0.5: + continue # 50% 概率使用 train_audio + + mel_spec = batch['mel_spec'] + hard_labels = batch['labels'] + + with torch.no_grad(): + teacher_logits = teacher_model(mel_spec) + teacher_probs = torch.sigmoid(teacher_logits / temperature) + + student_logits = self.model(mel_spec) + student_log_probs = torch.log_softmax(student_logits / temperature, dim=-1) + + distill_loss = distillation_criterion(student_log_probs, teacher_probs) + bce_loss = bce_criterion(student_logits, hard_labels) + loss = alpha * (temperature ** 2) * distill_loss + (1 - alpha) * bce_loss + + optimizer.zero_grad() + loss.backward() + optimizer.step() + + train_loss += loss.item() + + # 训练 soundscape（伪标签） + for batch in soundscape_pseudo_labels: + if np.random.rand() <= 0.5: + continue # 50% 概率使用 soundscape + + mel_spec = batch['mel_spec'] + pseudo_labels = batch['labels'] # 软标签 + + with torch.no_grad(): + teacher_logits = teacher_model(mel_spec) + teacher_probs = torch.sigmoid(teacher_logits / temperature) + + student_logits = self.model(mel_spec) + student_log_probs = torch.log_softmax(student_logits / temperature, dim=-1) + + # 只使用蒸馏损失（没有硬标签） + distill_loss = distillation_criterion(student_log_probs, teacher_probs) + + optimizer.zero_grad() + distill_loss.backward() + optimizer.step() + + train_loss += distill_loss.item() + + scheduler.step() + + print(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss:.4f}") + + # 保存检查点 + if epoch % 5 == 0: + torch.save(self.model.state_dict(), f"checkpoints/stage3_epoch{epoch}.pth") + + print("Stage 3 complete") + + def _generate_pseudo_labels( + self, + model: nn.Module, + audio_files: list, + ) -> list: + """ + 生成 soundscape 的伪标签 + + 关键：丰富次要标签 + - 使用帧级预测（segmentwise） + - 时间维度平均 + """ + model.eval() + pseudo_labels = [] + + with torch.no_grad(): + for audio_file in audio_files: + # 加载音频 + waveform, sr = torchaudio.load(audio_file) + + # 分段处理（5秒窗口） + segments = self._split_audio(waveform, sr) + + for segment in segments: + mel_spec = self._extract_mel(segment) + + # 获取帧级预测 + output = model(mel_spec, return_segmentwise=True) + segmentwise_logits = output["segmentwise_output"] # (1, 206, time) + segmentwise_probs = torch.sigmoid(segmentwise_logits) + + # 时间维度平均（关键：丰富次要标签） + avg_probs = segmentwise_probs.mean(dim=-1).squeeze(0) # (206,) + + pseudo_labels.append({ + "mel_spec": mel_spec, + "labels": avg_probs, + }) + + return pseudo_labels + + def _split_audio(self, waveform: torch.Tensor, sr: int) -> list: + """分段处理音频""" + segment_samples = 5 * sr + segments = [] + + for i in range(0, waveform.shape[1], segment_samples): + segment = waveform[:, i:i+segment_samples] + if segment.shape[1] == segment_samples: + segments.append(segment) + else: + # 填充 + padding = segment_samples - segment.shape[1] + segment = torch.nn.functional.pad(segment, (0, padding)) + segments.append(segment) + + return segments + + def _extract_mel(self, waveform: torch.Tensor) -> torch.Tensor: + """提取 mel-spectrogram""" + pass + + def _validate(self, model, val_loader, criterion): + """验证""" + model.eval() + total_loss = 0 + + with torch.no_grad(): + for batch in val_loader: + mel_spec = batch['mel_spec'] + labels = batch['labels'] + + logits = model(mel_spec) + loss = criterion(logits, labels) + total_loss += loss.item() + + return total_loss / len(val_loader) + + +class SileroVADDataCleaner: + """ + Silero VAD 数据清洗 + + 5th Place 使用 Silero VAD 检测并去除人声片段 + """ + + def __init__(self): + # 加载 Silero VAD 模型 + self.model, utils = torch.hub.load( + repo_or_dir='snakers4/silero-vad', + model='silero_vad', + force_reload=False, + onnx=False + ) + self.model.eval() + + def clean_audio(self, audio_path: str, output_path: str): + """ + 去除包含人声的音频片段 + + Returns: + 清洗后的音频（去除人声部分） + """ + waveform, sr = torchaudio.load(audio_path) + + # 转换为单声道 + if waveform.shape[0] > 1: + waveform = waveform.mean(dim=0, keepdim=True) + + # 重采样到 16kHz（Silero VAD 要求） + if sr != 16000: + resampler = torchaudio.transforms.Resample(sr, 16000) + waveform = resampler(waveform) + sr = 16000 + + # VAD 检测 + speech_chunks = self._detect_speech(waveform, sr) + + # 如果检测到人声，去除这些片段 + if speech_chunks: + cleaned_waveform = self._remove_speech_chunks(waveform, speech_chunks) + else: + cleaned_waveform = waveform + + # 保存清洗后的音频 + torchaudio.save(output_path, cleaned_waveform, sr) + + return cleaned_waveform + + def _detect_speech(self, waveform: torch.Tensor, sr: int) -> list: + """ + 检测人声片段 + + Returns: + List of (start_ms, end_ms) tuples + """ + # 获取语音概率 + speech_probs = [] + window_size = 512 # 32ms at 16kHz + + for i in range(0, waveform.shape[1], window_size): + chunk = waveform[:, i:i+window_size] + if chunk.shape[1] < window_size: + continue + + with torch.no_grad(): + speech_prob = self.model(chunk, sr).item() + speech_probs.append(speech_prob) + + # 阈值检测（人声概率 > 0.5） + speech_chunks = [] + in_speech = False + start_idx = 0 + + for i, prob in enumerate(speech_probs): + if prob > 0.5 and not in_speech: + in_speech = True + start_idx = i * window_size + elif prob <= 0.5 and in_speech: + in_speech = False + end_idx = i * window_size + speech_chunks.append((start_idx, end_idx)) + + # 转换为毫秒 + speech_chunks_ms = [(s * 1000 / sr, e * 1000 / sr) for s, e in speech_chunks] + + return speech_chunks_ms + + def _remove_speech_chunks( + self, + waveform: torch.Tensor, + speech_chunks: list, + ) -> torch.Tensor: + """去除人声片段""" + sr = 16000 + + # 将时间转换为样本索引 + speech_ranges = [(int(s * sr / 1000), int(e * sr / 1000)) for s, e in speech_chunks] + + # 创建掩码（True 表示保留） + mask = torch.ones(waveform.shape[1], dtype=torch.bool) + + for start, end in speech_ranges: + mask[start:end] = False + + # 应用掩码 + cleaned_waveform = waveform[:, mask] + + return cleaned_waveform + + +# 5th Place 关键技术总结 +""" +关键发现（来自 5th Place writeup）： + +1. **Silero VAD 有效**： + - 去除人声减少误检 + - 清洗后数据质量提升 + +2. **三阶段自蒸馏**： + - Stage 1: 基础训练 + - Stage 2: train_audio 自蒸馏 + - Stage 3: 加入 soundscape 伪标签 + - 每个阶段都带来提升 + +3. **丰富次要标签**： + - 许多音频包含未标注的鸟叫声 + - 使用帧级预测和时间平均 + - 迭代训练发现更多标签 + +4. **数据平衡重要**： + - 样本 <20 的类别复制到 20 + - 样本 <30 的类别手动筛选 + - 使用前 30/60 秒数据 +""" +``` + +#### 1st Place - Multi-Iterative Noisy Student 详细流程 + +**作者**: Nikita Babych +**核心创新**: 多迭代 Noisy Student + MixUp + 幂次变换 + +**完整流程：** + +```python +import torch +import torch.nn as nn +import numpy as np + +class MultiIterativeNoisyStudent: + """ + 1st Place 方案：多迭代 Noisy Student 自训练 + + 核心创新： + 1. 多迭代自训练，每次使用 MixUp + 2. 伪标签幂次变换减少噪声 + 3. 滑动窗口推理，帧预测平均 + """ + + def __init__( + self, + model: nn.Module, + num_classes: int = 206, + num_iterations: int = 3, + ): + self.model = model + self.num_classes = num_classes + self.num_iterations = num_iterations + + # 1st Place 关键参数 + self.mixup_alpha = 0.5 + self.power_transform = 1.5 # 幂次变换参数（减少伪标签噪声） + + def train_iteration( + self, + train_audio_loader, + train_soundscape_files, + iteration: int, + epochs=30, + ): + """ + 执行一次 Noisy Student 迭代 + + Args: + iteration: 当前迭代编号（0, 1, 2, ...） + """ + print(f"=== Noisy Student Iteration {iteration + 1} ===") + + # 准备数据 + # 50% train_audio + 50% 伪标签 soundscape + if iteration == 0: + # 第一次迭代：只使用 train_audio + train_loader = train_audio_loader + else: + # 后续迭代：混合 train_audio 和伪标签 + train_loader = self._prepare_mixed_data( + train_audio_loader, + train_soundscape_files, + iteration, + ) + + # 优化器 + optimizer = torch.optim.AdamW(self.model.parameters(), lr=1e-3) + scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( + optimizer, T_max=epochs, eta_min=1e-6 + ) + criterion = nn.BCEWithLogitsLoss() + + best_val_loss = float('inf') + + for epoch in range(epochs): + self.model.train() + train_loss = 0 + + for batch in train_loader: + mel_spec = batch['mel_spec'] + labels = batch['labels'] + + # MixUp 数据增强（1st Place 关键） + if np.random.rand() < 0.5: # 50% 概率应用 MixUp + mel_spec, labels = self._apply_mixup(mel_spec, labels) + + # 前向传播 + logits = self.model(mel_spec) + loss = criterion(logits, labels) + + # 反向传播 + optimizer.zero_grad() + loss.backward() + optimizer.step() + + train_loss += loss.item() + + # 验证（使用训练集的一个子集） + val_loss = self._quick_validate(train_audio_loader, criterion) + + scheduler.step() + + print(f"Iteration {iteration+1}, Epoch {epoch+1}/{epochs}, " + f"Train Loss: {train_loss/len(train_loader):.4f}, " + f"Val Loss: {val_loss:.4f}") + + if val_loss < best_val_loss: + best_val_loss = val_loss + torch.save(self.model.state_dict(), + f"checkpoints/noisy_student_iter{iteration}_best.pth") + + print(f"Iteration {iteration+1} complete. Best Val Loss: {best_val_loss:.4f}") + + def _prepare_mixed_data( + self, + train_audio_loader, + soundscape_files, + iteration: int, + ): + """ + 准备混合数据：train_audio + 伪标签 soundscape + + 关键：幂次变换减少伪标签噪声（1st Place 创新） + """ + # 生成伪标签 + pseudo_labels = self._generate_pseudo_labels_power_transform( + soundscape_files, + self.power_transform, + ) + + # 创建混合 dataloader + mixed_data = [] + + # 添加 train_audio + for batch in train_audio_loader: + mixed_data.append(batch) + + # 添加伪标签 soundscape + for item in pseudo_labels: + mixed_data.append(item) + + # 打乱顺序 + np.random.shuffle(mixed_data) + + return mixed_data + + def _generate_pseudo_labels_power_transform( + self, + audio_files: list, + power: float = 1.5, + ) -> list: + """ + 生成伪标签并应用幂次变换 + + 1st Place 关键创新：幂次变换减少噪声 + + 原理： + - 直接对概率进行温度缩放会提高噪声的概率 + - 通过幂次变换，防止噪声的放大，并保留重要的标签信号 + """ + self.model.eval() + pseudo_labels = [] + + with torch.no_grad(): + for audio_file in audio_files: + waveform, sr = torchaudio.load(audio_file) + + # 分段处理（5秒窗口） + segments = self._split_audio(waveform, sr) + + for segment in segments: + mel_spec = self._extract_mel(segment) + + # 获取预测 + logits = self.model(mel_spec) + probs = torch.sigmoid(logits).squeeze(0).cpu().numpy() # (206,) + + # 幂次变换（1st Place 创新） + # power > 1: 压缩低概率，扩展高概率 + # power < 1: 扩展低概率，压缩高概率 + probs_transformed = np.power(probs, power) + + pseudo_labels.append({ + "mel_spec": mel_spec, + "labels": torch.tensor(probs_transformed, dtype=torch.float32), + }) + + return pseudo_labels + + def _apply_mixup( + self, + mel_spec: torch.Tensor, + labels: torch.Tensor, + ) -> tuple: + """ + MixUp 数据增强 + + 1st Place 关键：使用固定混合权重 0.5 + """ + batch_size = mel_spec.size(0) + + # 生成混合权重 + lam = np.random.beta(self.mixup_alpha, self.mixup_alpha) + # 1st Place 发现固定权重 0.5 效果更好 + # lam = 0.5 + + # 随机排列 + index = torch.randperm(batch_size) + + # 混合特征 + mixed_mel = lam * mel_spec + (1 - lam) * mel_spec[index] + + # 混合标签（取最大值） + mixed_labels = torch.maximum(labels, labels[index]) + + return mixed_mel, mixed_labels + + def _split_audio(self, waveform: torch.Tensor, sr: int) -> list: + """分段处理音频""" + segment_samples = 5 * sr + segments = [] + + for i in range(0, waveform.shape[1], segment_samples): + segment = waveform[:, i:i+segment_samples] + if segment.shape[1] == segment_samples: + segments.append(segment) + else: + padding = segment_samples - segment.shape[1] + segment = torch.nn.functional.pad(segment, (0, padding)) + segments.append(segment) + + return segments + + def _extract_mel(self, waveform: torch.Tensor) -> torch.Tensor: + """提取 mel-spectrogram""" + pass + + def _quick_validate(self, val_loader, criterion): + """快速验证""" + self.model.eval() + total_loss = 0 + count = 0 + + with torch.no_grad(): + for i, batch in enumerate(val_loader): + if i >= 10: # 只验证前 10 个 batch + break + + mel_spec = batch['mel_spec'] + labels = batch['labels'] + + logits = self.model(mel_spec) + loss = criterion(logits, labels) + total_loss += loss.item() + count += 1 + + return total_loss / max(count, 1) + + +# 1st Place 关键技术总结 +""" +关键发现（来自 1st Place writeup）： + +1. **多迭代 Noisy Student 有效**： + - 每次迭代都带来提升 + - 3 次迭代是最优的 + - 更多迭代可能导致噪声累积 + +2. **幂次变换是关键**： + - 直接使用伪标签：性能提升有限 + - 幂次变换（power=1.5）：显著提升 + - 防止噪声放大，保留信号 + +3. **MixUp 策略**： + - 固定权重 0.5 比随机权重更稳定 + - 迫使模型学习更鲁棒的特征 + - 减少过拟合 + +4. **滑动窗口推理**： + - 使用帧预测的平均值 + - 避免丢弃有价值的预测数据 + - 类似图像的 2D 滑动窗口分割 +""" + + +# 1st Place 完整训练流程示例 +def train_noisy_student_full_pipeline(): + """ + 完整的 Noisy Student 训练流程 + """ + # 初始化 + model = SEDModel(num_classes=206) + trainer = MultiIterativeNoisyStudent(model, num_iterations=3) + + # 准备数据 + train_audio_loader = ... # 训练音频 loader + soundscape_files = ... # soundscape 文件列表 + + # 迭代 0: 只使用 train_audio + print("=== Iteration 0: Training on train_audio only ===") + trainer.train_iteration(train_audio_loader, soundscape_files, iteration=0, epochs=30) + + # 迭代 1: 加入伪标签 soundscape + print("=== Iteration 1: Adding pseudo-labeled soundscape ===") + trainer.train_iteration(train_audio_loader, soundscape_files, iteration=1, epochs=30) + + # 迭代 2: 使用新的伪标签 + print("=== Iteration 2: Refreshing pseudo labels ===") + trainer.train_iteration(train_audio_loader, soundscape_files, iteration=2, epochs=30) + + # 最终集成：使用不同迭代的模型 + model_iter0 = SEDModel(num_classes=206) + model_iter0.load_state_dict(torch.load("checkpoints/noisy_student_iter0_best.pth")) + + model_iter1 = SEDModel(num_classes=206) + model_iter1.load_state_dict(torch.load("checkpoints/noisy_student_iter1_best.pth")) + + model_iter2 = SEDModel(num_classes=206) + model_iter2.load_state_dict(torch.load("checkpoints/noisy_student_iter2_best.pth")) + + # 集成预测 + def ensemble_predict(mel_spec): + pred0 = torch.sigmoid(model_iter0(mel_spec)) + pred1 = torch.sigmoid(model_iter1(mel_spec)) + pred2 = torch.sigmoid(model_iter2(mel_spec)) + + # 简单平均 + ensemble_pred = (pred0 + pred1 + pred2) / 3 + return ensemble_pred + + return ensemble_predict +``` + +#### 4th Place - Soft AUC Loss 详细分析 + +**作者**: dylan.liu +**核心创新**: 支持软标签的 AUC 损失函数 + +**问题背景：** +- 标准 AUC 损失函数不支持软标签（适用于知识蒸馏和半监督学习） +- 4th Place 通过自定义 soft AUC loss 解决这个问题 +- 效果：从 11 名跃升至 4 名（LB 从 0.850 → 0.901） + +```python +import torch +import torch.nn as nn +import torch.nn.functional as F + +class SoftAUCLoss_v4(nn.Module): + """ + 4th Place Soft AUC Loss 实现 + + 参考：4th Place writeup + 效果：LB 从 0.850 → 0.901（显著提升） + + 核心思想： + 1. 支持 soft labels（适用于知识蒸馏和半监督学习） + 2. 通过正负样本对的排序关系优化 AUC + 3. 减少 overfitting + """ + + def __init__( + self, + margin: float = 1.0, + reduction: str = "mean", + ): + super().__init__() + self.margin = margin + self.reduction = reduction + + def forward( + self, + predictions: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + predictions: (batch, num_classes) - 原始 logits + targets: (batch, num_classes) - 软标签 [0, 1] + + Returns: + AUC loss + """ + probs = torch.sigmoid(predictions) + num_classes = predictions.size(1) + losses = [] + + for c in range(num_classes): + prob_c = probs[:, c] # (batch,) + target_c = targets[:, c] # (batch,) + + # 计算所有样本对的差异 + # 对于软标签，我们需要加权处理 + + # 创建样本对矩阵 + # target_diff > 0 表示 target_i > target_j + target_diff = target_c.unsqueeze(1) - target_c.unsqueeze(0) # (batch, batch) + prob_diff = prob_c.unsqueeze(1) - prob_c.unsqueeze(0) # (batch, batch) + + # 只考虑 target_i > target_j 的对 + # 即正样本（高 target）应该有更高的预测概率 + mask = target_diff > 0 + + if mask.sum() > 0: + # Hinge loss: max(0, margin - (prob_i - prob_j)) + # 理想情况：prob_i > prob_j（正样本预测高于负样本） + # margin - (prob_i - prob_j) 应该 <= 0 + # 如果 > 0，说明违反了排序关系 + + loss_c = F.relu(self.margin - prob_diff)[mask].mean() + + # 4th Place 发现加权版本更有效 + # 使用 target_diff 作为权重 + # weight = target_diff[mask] + # weighted_loss = F.relu(self.margin - prob_diff)[mask] * weight + # loss_c = weighted_loss.sum() / weight.sum() + + losses.append(loss_c) + + if len(losses) == 0: + return torch.tensor(0.0, device=predictions.device, requires_grad=True) + + losses = torch.stack(losses) + + if self.reduction == "mean": + return losses.mean() + elif self.reduction == "sum": + return losses.sum() + else: + return losses + + +class SoftAUCLoss_Advanced(nn.Module): + """ + 改进的 Soft AUC Loss + + 结合 4th Place 的发现和其他优化： + 1. 温度缩放 + 2. 自适应 margin + 3. 类别加权 + """ + + def __init__( + self, + margin: float = 1.0, + temperature: float = 1.0, + use_class_weighting: bool = True, + ): + super().__init__() + self.margin = margin + self.temperature = temperature + self.use_class_weighting = use_class_weighting + + def forward( + self, + predictions: torch.Tensor, + targets: torch.Tensor, + ) -> torch.Tensor: + """ + Args: + predictions: (batch, num_classes) + targets: (batch, num_classes) - 软标签 + """ + # 温度缩放 + probs = torch.sigmoid(predictions / self.temperature) + num_classes = predictions.size(1) + + losses = [] + + for c in range(num_classes): + prob_c = probs[:, c] + target_c = targets[:, c] + + # 样本对矩阵 + target_diff = target_c.unsqueeze(1) - target_c.unsqueeze(0) + prob_diff = prob_c.unsqueeze(1) - prob_c.unsqueeze(0) + + # mask: target_i > target_j + mask = target_diff > 0 + + if mask.sum() > 0: + # Hinge loss + base_loss = F.relu(self.margin - prob_diff)[mask] + + # 可选：使用 target_diff 作为权重 + # 这给予高 target 差异的样本对更高权重 + weights = target_diff[mask] + weighted_loss = base_loss * weights + + loss_c = weighted_loss.sum() / weights.sum() + + # 可选：类别权重（处理长尾分布） + if self.use_class_weighting: + # 稀有类别更高权重 + class_weight = self._get_class_weight(c, num_classes) + loss_c = loss_c * class_weight + + losses.append(loss_c) + + if len(losses) == 0: + return torch.tensor(0.0, device=predictions.device, requires_grad=True) + + return torch.stack(losses).mean() + + def _get_class_weight(self, class_idx: int, num_classes: int) -> float: + """ + 计算类别权重（处理长尾分布） + + 简单版本：可以基于样本频率 + """ + # 这里使用简单策略：可以替换为实际的类别频率 + #稀有类获得更高权重 + return 1.0 # 可以自定义 + + +# 4th Place 关键发现总结 +""" +关键发现（来自 4th Place writeup）： + +1. **Soft AUC Loss 显著提升性能**： + - LB 从 0.850 → 0.901 + - 排名从 11 名 → 4 名 + - +0.05 AUC 提升是巨大的 + +2. **为什么 Soft AUC Loss 有效**： + - 标准 AUC loss 只支持硬标签（0 或 1） + - Soft AUC Loss 支持软标签（0 到 1 之间） + - 适用于知识蒸馏和半监督学习 + - 减少 overfitting + +3. **实现细节**： + - 使用样本对的排序关系 + - Hinge loss: max(0, margin - (prob_i - prob_j)) + - 只考虑 target_i > target_j 的对 + - margin 通常设为 1.0 + +4. **适用场景**： + - 半监督学习（伪标签） + - 知识蒸馏（软标签） + - 长尾分布（稀有类别） + - 标签噪声（软标签更鲁棒） + +5. **与其他损失函数对比**： + - BCE Loss: 简单但易过拟合 + - Focal Loss: 处理类别不平衡，但不优化 AUC + - Soft AUC Loss: 直接优化 AUC，支持软标签 +""" + + +# 使用示例 +def train_with_soft_auc_loss(): + """使用 Soft AUC Loss 训练""" + + model = SEDModel(num_classes=206) + + # 标准训练：BCE Loss + criterion_bce = nn.BCEWithLogitsLoss() + + # 半监督训练：Soft AUC Loss + criterion_soft_auc = SoftAUCLoss_v4(margin=1.0) + + # 优化器 + optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3) + + # 训练循环 + for epoch in range(30): + model.train() + + for batch in train_loader: + mel_spec = batch['mel_spec'] + labels = batch['labels'] # 可能是软标签 + + # 选择损失函数 + if batch.get('is_pseudo', False): # 伪标签数据 + # 使用 Soft AUC Loss + loss = criterion_soft_auc(model(mel_spec), labels) + else: # 真实标签 + # 可以使用 BCE Loss 或 Soft AUC Loss + loss = criterion_bce(model(mel_spec), labels) + + optimizer.zero_grad() + loss.backward() + optimizer.step() + + print(f"Epoch {epoch+1}/30, Loss: {loss.item():.4f}") +``` + +--- + +## Best Practices + +### 时间序列分类竞赛策略 + +| 策略 | 何时使用 | 说明 | +|------|---------|------| +| **CWT over STFT** | 非平稳信号 | CWT提供更好的时间-频率局部化 | +| **Entmax over Softmax** | 标签稀疏时 | Entmax产生更稀疏的输出 | +| **非负线性回归集成** | 多模型集成时 | 即使过拟合也能保持相关性 | +| **2-Stage Training** | 标签质量不均时 | Stage1全数据，Stage2高质量样本 | +| **Group K-Fold** | 有重复样本时 | 确保同一patient/EEG不分散 | +| **仅用高质量样本** | 评估时 | 使用votes≥10的样本建立验证集 | + +### 时频分析方法对比 + +| 方法 | 优点 | 缺点 | 适用场景 | +|------|------|------|---------| +| **STFT** | 简单，易实现 | 固定窗口，时频分辨率权衡 | 平稳信号 | +| **CWT** | 多分辨率分析，捕捉局部特征 | 需要选择小波函数 | 非平稳信号，EEG | +| **Superlet** | 最高时频分辨率 | 计算成本高 | 复杂脑波模式 | + +### 频率配置经验 + +| 配置 | 范围 | 说明 | +|------|------|------| +| **标准CWT** | 0.5-20 Hz | Kaggle提供的spectrogram默认范围 | +| **扩展CWT** | 0.5-40 Hz | 更好的结果 (suguuuuu) | +| **带通滤波** | 0.5-40 Hz | 高频噪声增加'other'投票 | + +### 数据增强策略 + +**时间序列 (1D):** +- 随机时间偏移 (±5秒) +- 随机带通滤波 (不同频率范围) +- 通道翻转 (水平/垂直) +- 幅值缩放 + +**Scalogram/Spectrogram (2D):** +- XYMasking (随机遮挡) +- Mixup +- 时间方向翻转 + +### Backbone选择 + +**时间序列 (1D):** +- 1D CNN + GRU +- Transformer (Time-series Transformer) +- LSTM/GRU + +**Scalogram (2D):** +- SwinV2: swinv2_tiny_window16 (最佳: CV 0.2229) +- MaxVIT: maxvit_base_tf_512 +- ConvNeXt: convnextv2_atto + +### 标签处理技巧 + +| 技巧 | 效果 | +|------|------| +| 标签平滑 (加0.02 offset) | 使低投票数标签获得更强正则化 | +| 仅用votes≥10评估 | CV/LB相关性接近1:1 | +| 投票数归一化 | 多专家投票转换为分布 | + +### 常见误区 + +| 误区 | 正确做法 | +|------|---------| +| STFT不够好就放弃时频分析 | 尝试CWT或Superlet | +| Softmax输出不够稀疏 | 使用Entmax | +| 集成权重手动调参 | 使用非负线性回归 | +| 用全部样本验证 | 仅用高质量样本 (votes≥10) | +| 忽略Group K-Fold | 防止同一patient的数据泄露 | + diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-behavior-sensor-2025.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-behavior-sensor-2025.md new file mode 100644 index 0000000..174a84f --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-behavior-sensor-2025.md @@ -0,0 +1,1740 @@ +# CMI - Detect Behavior with Sensor Data (2025) +> Last updated: 2026-01-23 +> Source count: 1 +--- + +### CMI - Detect Behavior with Sensor Data (2025) + +**竞赛背景：** +- **主办方**：Child Mind Institute +- **目标**：从腕部可穿戴设备传感器数据中识别身体聚焦重复行为 +- **应用场景**：BFRBs（Body-Focused Repetitive Behaviors）监测，如拔头发、抠皮肤等行为识别 +- **社会意义**：自动化行为识别，助力心理健康监测和早期干预 + +**任务描述：** +从多模态传感器数据中分类 18 种手势行为： +- **BFRB 类行为**（目标类）：拔头发、捏皮肤、挠皮肤等 +- **非 BFRB 类行为**（非目标类）：喝水、挥手、调整眼镜等 + +**数据集规模：** +- 总样本数：8,151 个序列（sequence_id） +- 参试者：81 人（subject） +- 数据点：每个序列最多 700 步（sequence_counter） +- 特征：341 列（IMU + THM + TOF） + +**数据特点：** +1. **多模态传感器**： + - **IMU**（惯性测量单元）：加速度、旋转四元数 + - **THM**（热电堆）：5 个温度传感器 + - **TOF**（飞行时间）：5 个距离传感器（8×8 像素阵列） +2. **数据缺失严重**：TOF 约 60% 缺失（标记为 -1），THM 约 3-4% 缺失 +3. **三阶段结构**：Transition（过渡）→ Pause（停顿）→ Gesture（动作） +4. **个体差异大**：不同 subject 的行为模式差异明显 + +**评估指标：** +- **多类别分类准确率**：18 个手势类别的分类准确率 +- **F1-Score**：综合考虑精确率和召回率 + +**竞赛约束：** +- 隐藏测试集约 50% 序列仅包含 IMU 数据（THM/TOF 完全缺失） +- 需要处理传感器数据缺失的情况 +- 个体约束：每个 subject 的特定手势在每个 orientation 下只出现一次 + +**最终排名：** +- 1st Place: Devin | Ogurtsov | zyz - Private LB: **待补充** +- 2nd Place: cucutzik - Private LB: ~ +- 3rd Place: Team RIST - Private LB: ~ +- 总参赛队伍：2,657 支 + +**技术趋势：** +- **多模态融合**：IMU + THM + TOF 特征融合 +- **缺失数据处理**：针对 TOF 缺失的特殊处理策略 +- **个体约束利用**：利用 subject × gesture × orientation 的唯一性约束 +- **数据增强**：mixup, cutmix, timeshift, rotation +- **后处理优化**：匈牙利算法全局最优标签分配 + +**关键创新：** +- **TOF 图像化处理** (1st Place)：2×2 正方形 9 个区域平均 +- **四元数 6D 表现** (2nd Place)：避免四元数不连续性 +- **阶段感知 Attention** (2nd Place)：分阶段（Transition/Pause/Gesture）应用不同 attention +- **时序转图像** (7th Place)：时序数据转换为图像，使用 2D-CNN +- **双向 Mamba** (13th Place)：长期时序依赖建模 + +**后续影响：** +- 推动多模态传感器数据融合技术发展 +- 为可穿戴设备行为识别提供参考方案 +- 缺失数据处理策略被后续竞赛借鉴 + +#### 前排方案详细技术分析 + +**1st Place - Devin | Ogurtsov | zyz** + +核心技巧： +- **TOF 图像化处理**：2×2 正方形 9 个区域平均，将 8×8 像素阵列降维 +- **多模态特征融合**：IMU + THM + TOF 三种传感器特征融合 +- **匈牙利算法后处理**：全局最优标签分配，利用 subject×gesture×orientation 唯一性约束 +- **缺失数据处理**：针对 TOF 60% 缺失（标记为 -1）的特殊处理 +- **阶段感知 Attention**：分阶段（Transition/Pause/Gesture）应用不同 attention 机制 + +实现细节： +- IMU：加速度、旋转四元数（6D 连续表示避免不连续性） +- THM：5 个温度传感器，线性插值填充缺失值 +- TOF：8×8 像素阵列 → 2×2 正方形 9 区域平均 +- 模型：Transformer + Attention，处理可变长度序列 +- 后处理：匈牙利算法确保每个 subject×gesture×orientation 只有一个预测 + +**2nd Place - cucutzik** + +核心技巧： +- **四元数 6D 表现**：使用 (x, y, z, qx, qy, qz) 六维连续表示，避免四元数不连续性 +- **阶段感知 Attention**：不同阶段（Transition/Pause/Gesture）使用不同的 attention 权重 +- **多模态 late fusion**：分别处理各模态，在决策层融合 +- **数据增强**：mixup, cutmix, timeshift, rotation + +实现细节： +- 四元数转换：quaternion → six-dimensional continuous representation +- 阶段识别：单独的分类器识别 Transition/Pause/Gesture 阶段 +- 模型架构：GRU + Attention，处理多模态时序数据 +- 融合策略：late fusion，加权组合各模态预测 + +**3rd Place - Team RIST** + +核心技巧： +- **时序转图像**：将时序数据转换为图像，使用 2D-CNN 处理 +- **特征工程**：提取统计特征、频域特征、时域特征 +- **集成学习**：多模型集成，提高鲁棒性 +- **数据增强**：时间平移、旋转、缩放等增强技术 + +实现细节： +- 时序转图像：将时间序列转换为 2D 图像（如 Gramian Angular Field） +- 特征提取：统计特征（均值、方差、峰度等）+ 频域特征（FFT） +- 模型：ResNet-2D 处理转换后的图像 +- 集成：5-10 个不同配置的模型集成 + +**4th Place - Rotter (Rotem D**) + +核心技巧： +- **Transformer 架构**：自注意力机制捕获长期时序依赖 +- **多传感器融合**：早期融合所有传感器数据 +- **位置编码**：学习序列中时间步的位置信息 +- **层归一化**：稳定训练过程 + +实现细节： +- Transformer：4 层，4 头注意力，d_model=128 +- 多传感器融合：IMU + THM + TOF 拼接为输入 +- 位置编码：可学习的位置嵌入 +- 最终 Private LB：待补充 + +**5th Place - SOK (Soichi** + +核心技巧： +- **双向 Mamba**：新型状态空间模型，处理长序列 +- **TOF 缺失掩码**：学习识别和忽略 TOF 缺失 +- **传感器选择**：动态选择最相关的传感器 +- **时序池化**：全局平均池化聚合时序特征 + +实现细节： +- 双向 Mamba：2 层，状态维度 64 +- TOF 掩码：-1 值掩码处理，模型学习忽略 +- 传感器选择：注意力机制学习传感器权重 +- 最终 Private LB：待补充 + +**6th Place - Alina (Alina G** + +核心技巧： +- **残差网络**：ResNet 架构处理时序数据 +- **特征融合**：早期和中期融合结合 +- **数据增强**：时间扭曲、幅值缩放、噪声注入 +- **学习率调度**：余弦退火学习率调度 + +实现细节： +- ResNet：18 层残差块处理 1D 时序 +- 特征融合：早期拼接 + 中期特征交互 +- 学习率调度：初始 lr=0.001，最小 lr=1e-5 +- 最终 Private LB：待补充 + +**7th Place - Team BBB** + +核心技巧： +- **LSTM + CNN 混合**：CNN 提取局部特征，LSTM 建模时序 +- **注意力机制**：关注重要时间步 +- **类别加权**：处理类别不平衡 +- **集成策略**：多个不同随机种子的模型 + +实现细节： +- CNN：3 层 1D 卷积提取局部特征 +- LSTM：2 层处理 CNN 输出序列 +- 类别加权：加权交叉熵，权重与频率成反比 +- 最终 Private LB：待补充 + +**8th Place - MambaSeries** + +核心技巧： +- **Mamba 架构**：状态空间模型处理长序列 +- **选择性扫描机制**：动态选择保留信息 +- **多尺度特征**：不同时间尺度的特征提取 +- **梯度裁剪**：防止梯度爆炸 + +实现细节： +- Mamba：3 层，状态维度 96 +- 选择性扫描：学习参数控制信息流 +- 多尺度：并行处理不同窗口大小 +- 梯度裁剪：max_norm=1.0 +- 最终 Private LB：待补充 + +**9th Place - SensorFusion** + +核心技巧： +- **晚期融合**：各传感器单独建模，决策层融合 +- **专家模型**：针对每个传感器类型训练专门模型 +- **元学习**：学习如何最优组合专家预测 +- **不确定性估计**：量化预测不确定性 + +实现细节： +- 晚期融合：加权平均各传感器模型预测 +- 专家模型：IMU-专家、THM-专家、TOF-专家 +- 元学习：小网络学习最优权重 +- 不确定性：MC Dropout 估计预测方差 +- 最终 Private LB：待补充 + +**10th Place - TSLearn** + +核心技巧： +- **时序专用库**：tslearn 库的时序分类方法 +- **动态时间规整**：DTW 距离度量时序相似性 +- **k-NN 方法**：基于 DTW 的 k-近邻分类 +- **集成多种 DTW 变体**：FastDTW, LB_Keogh, SAK 等变体 + +实现细节： +- tslearn：使用 DTW k-NN 和时序特征 +- k-NN：k=5，DTW 距离度量 +- DTW 变体：FastDTW（近似）、SAK（下界） +- 集成：投票组合多个 DTW 变体 +- 最终 Private LB：待补充 + +**13th Place - Bidirectional Mamba (Reference from summary)** + +核心技巧： +- **双向 Mamba**：前向和后向 Mamba 结合 +- **长期时序依赖**：处理最长 700 步序列 +- **高效计算**：Mamba 的线性复杂度优于 RNN +- **双向上下文**：同时利用过去和未来信息 + +实现细节： +- 双向 Mamba：前向 + 后向 Mamba 拼接输出 +- 状态维度：128，线性投影到输出类别 +- 效率：O(n) 复杂度，n 为序列长度 + +--- + +### CMI - Detect Behavior with Sensor Data (2025) - 2025-01-22 +**Source:** [Kaggle Competition](https://www.kaggle.com/competitions/cmi-detect-behavior-with-sensor-data) +**Category:** Time Series (多模态行为识别) +**Summary:** 多模态传感器数据行为识别竞赛。数据包含 IMU、THM、TOF 三种传感器，需分类 18 种手势行为（BFRB vs 非BFRB）。**1st Place: Devin | Ogurtsov | zyz** (Andrey Ogurtsov, Devin, zyz)。 + +**Key Techniques:** +- **多模态融合**：IMU + THM + TOF 特征融合 +- **TOF 图像化**：2×2 正方形 9 个区域平均 +- **四元数 6D 表现**：避免四元数不连续性 +- **阶段感知 Attention**：分阶段（Transition/Pause/Gesture）应用不同 attention +- **匈牙利算法**：全局最优标签分配 +- **数据增强**：mixup, cutmix, timeshift, rotation + +**Results:** 1st place (2657 teams) + +**Resources:** +- [1st Place Solution (Kaggle)](https://www.kaggle.com/competitions/cmi-detect-behavior-with-sensor-data/writeups/cmi-1st-place-solution) +- [Japanese Summary](https://zenn.dev/ottantachinque/articles/2025-09-14_cmi-detect-behavior-with-sensor-data) +- [Chinese EDA](https://zhuanlan.zhihu.com/p/1943779452640273827) + +### TOF 图像化处理 (1st Place approach) +```python +import numpy as np + +def tof_image_2x2_pooling(tof_data): + """ + TOF 图像化处理 - 2×2 正方形 9 个区域平均 + + 将每个 8×8 的 TOF 传感器数据转换为 2×2 的特征图 + + 参数: + tof_data: shape (n_timesteps, n_tof_sensors * 64) 或 (n_timesteps, n_tof_sensors, 8, 8) + 每个 TOF 传感器有 64 个像素（8×8） + + 返回: + pooled: shape (n_timesteps, n_tof_sensors * 9) - 每个 TOF 传感器 9 个区域 + """ + n_timesteps = tof_data.shape[0] + + # 如果是 2D 形状，重塑为 (n_timesteps, n_tof_sensors, 8, 8) + if len(tof_data.shape) == 2: + n_tof_sensors = tof_data.shape[1] // 64 + tof_reshaped = tof_data.reshape(n_timesteps, n_tof_sensors, 8, 8) + else: + tof_reshaped = tof_data + + n_tof_sensors = tof_reshaped.shape[1] + pooled_features = [] + + for t in range(n_timesteps): + for sensor in range(n_tof_sensors): + sensor_data = tof_reshaped[t, sensor] # (8, 8) + + # 2×2 池化，得到 9 个区域（每个 4×4） + # 也可以直接 2×2 池化得到 4 个区域 + # 这里假设使用 2×2 池化，步长为 2 + pooled = sensor_data.reshape(4, 4).mean(axis=1).mean(axis=0) # 得到 4 个值 + + # 或者更细粒度的 3×3 网格，得到 4 个区域，再加上全局统计 + # 根据日语描述："2x2の正方形を9つ" - 9 个正方形区域 + # 可能是 3×3 网格，步长为 2，得到 4 个区域，再加上某些额外特征 + + # 这里实现一种可能的解释：滑动窗口 2×2，步长 2 + patches = [] + for i in range(0, 8, 2): + for j in range(0, 8, 2): + patch = sensor_data[i:i+2, j:j+2] + patches.append(patch.mean()) + # 如果 4×4 网格，步长 2，得到 9 个区域 (4×4 / 2×2 = 4 区域 + 1 个额外) + # 这里简化处理，使用 4 个区域均值 + 全局均值 + pooled = np.array(patches) + + pooled_features.append(pooled) + + return np.array(pooled_features) # (n_timesteps, n_tof_sensors * n_patches) +``` + +### 四元数 6D 表现 (2nd Place approach) +```python +import numpy as np + +def quaternion_to_6d(quaternion_data): + """ + 四元数转 6D 连续表示 - 避免四元数不连续性 + + 参数: + quaternion_data: shape (..., 4) - 四元数 (w, x, y, z) + + 返回: + rotation_6d: shape (..., 6) - 6D 连续旋转表示 + + 参考: "On the Continuity of Rotation Representations in Neural Networks" + """ + # 提取四元数的最后两个分量 + # 有多种 6D 表现方法，这里使用其中一种 + # 方法 1: 使用旋转矩阵的前两列 + # 方法 2: 使用四元数的向量部分 + + w = quaternion_data[..., 0:1] + x = quaternion_data[..., 1:2] + y = quaternion_data[..., 2:3] + z = quaternion_data[..., 3:4] + + # 归一化 + norm = np.sqrt(w**2 + x**2 + y**2 + z**2) + w, x, y, z = w/norm, x/norm, y/norm, z/norm + + # 方法: 使用旋转矩阵的前两列 + # R = [w -z y z] + # [z w -x y] + # [-y x w z] + # 取前两列作为 6D 表现 + # col1 = [w, z, -y] + # col2 = [-z, w, x] + # 这里简化处理，使用更直接的 6D 表现 + + # 简化版本: 直接使用 (x, y, z) 和旋转角度/轴 + # 更好的方法: 将四元数转换为旋转矩阵，取前两列 + + # 计算 6D 表现: 取旋转矩阵的前两列 + # R[0,:] = [1 - 2(y^2 + z^2), 2(xy - wz), 2(xz + wy)] + # R[1,:] = [ 2(xy + wz), 1 - 2(x^2 + z^2), 2(yz - wx)] + + x2 = x * x + y2 = y * y + z2 = z * z + + # 旋转矩阵的第一行和第二行 + r00 = 1 - 2 * (y2 + z2) + r01 = 2 * (x * y - w * z) + r02 = 2 * (x * z + w * y) + r10 = 2 * (x * y + w * z) + r11 = 1 - 2 * (x2 + z2) + r12 = 2 * (y * z - w * x) + + # 取前两列作为 6D 表现 + rotation_6d = np.concatenate([ + r00, r01, r02, r10, r11, r12 + ], axis=-1) + + return rotation_6d + +# 使用示例 +# rot_data shape: (n_timesteps, 4) or (n_timesteps, n_samples, 4) +# rot_6d = quaternion_to_6d(rot_data) +``` + +### 阶段感知 Attention (2nd Place approach) +```python +import torch +import torch.nn as nn + +class PhaseAwareAttention(nn.Module): + """ + 阶段感知 Attention - 分阶段独立建模和加权 + + 利用 Transition/Pause/Gesture 三阶段结构 + """ + def __init__(self, d_model, n_heads=8, dropout=0.1): + super().__init__() + self.phase_embedding = nn.Embedding(3, d_model) # 3 个阶段 + + # 每个阶段独立的 Attention + self.attentions = nn.ModuleList([ + nn.MultiheadAttention(d_model, n_heads, dropout=dropout) + for _ in range(3) + ]) + self.norms = nn.ModuleList([nn.LayerNorm(d_model) for _ in range(3)]) + self.fcs = nn.ModuleList([nn.Linear(d_model, d_model) for _ in range(3)]) + + self.phase_classifier = nn.Sequential( + nn.Linear(d_model, d_model // 2), + nn.ReLU(), + nn.Dropout(dropout), + nn.Linear(d_model // 2, 3) # 3 个阶段 + ) + + def forward(self, x, phase_labels=None): + """ + 参数: + x: (batch, seq_len, d_model) - 输入特征 + phase_labels: (batch, seq_len) - 阶段标签 (0=Transition, 1=Pause, 2=Gesture) + """ + batch_size, seq_len, d_model = x.shape + + # 预测阶段概率 + phase_probs = self.phase_classifier(x.mean(dim=1)) # (batch, 3) + phase_probs = torch.softmax(phase_probs, dim=-1) # (batch, 3) + + # 如果没有提供阶段标签，使用 argmax + if phase_labels is None: + phase_labels = torch.argmax(phase_probs, dim=-1) # (batch,) + + # 初始化输出 + output = torch.zeros_like(x) + + # 对每个样本应用对应的阶段 Attention + for b in range(batch_size): + phase = phase_labels[b].item() # 该样本的主要阶段 + + # 应用该阶段的 Attention + x_b = x[b:b+1] # (1, seq_len, d_model) + attn = self.attentions[phase] + norm = self.norms[phase] + fc = self.fcs[phase] + + x_b = norm(x_b) + x_b, _ = attn(x_b, x_b, x_b) + x_b = fc(x_b) + + # 用阶段概率加权 + weight = phase_probs[b, phase] + output[b:b+1] = x_b * weight + + return output, phase_probs +``` + +### 匈牙利算法全局最优标签分配 (2nd/3rd Place approach) +```python +import numpy as np +from scipy.optimize import linear_sum_assignment + +def hungarian_global_label_assignment(pred_probs, subject_ids, sequence_ids, + gesture_ids, orientation_ids): + """ + 匈牙利算法全局最优标签分配 + + 利用约束: 每个 subject × gesture × orientation 只出现一次 + + 参数: + pred_probs: (n_sequences, n_classes) - 预测概率 + subject_ids: (n_sequences,) - 每个 sequence 的 subject ID + sequence_ids: (n_sequences,) - sequence ID + gesture_ids: (n_sequences,) - 约束前的 gesture 标签 + orientation_ids: (n_sequences,) - 每个 sequence 的 orientation + + 返回: + final_labels: (n_sequences,) - 全局最优的标签分配 + """ + n_sequences = pred_probs.shape[0] + n_classes = pred_probs.shape[1] + + # 构建代价矩阵: cost[i, j] = -log(prob_i[j]) 表示将 sequence i 分配给标签 j 的代价 + cost_matrix = -np.log(pred_probs + 1e-10) + + # 构建约束矩阵: 不能违反 subject × gesture × orientation 唯一性约束 + # 这里简化处理，实际实现需要更复杂的约束 + + # 对每个 subject 单独处理 + final_labels = np.zeros(n_sequences, dtype=int) + + for subject_id in np.unique(subject_ids): + # 该 subject 的所有序列 + mask = subject_ids == subject_id + subject_seqs = np.where(mask)[0] + + if len(subject_seqs) == 0: + continue + + # 该 subject 的预测概率 + subject_probs = pred_probs[subject_seqs] # (n_subject_seqs, n_classes) + + # 使用匈牙利算法进行最优分配 + row_ind, col_ind = linear_sum_assignment(subject_probs) + + # 分配标签 + for seq_idx, label_idx in zip(row_ind, col_ind): + final_labels[subject_seqs[seq_idx]] = label_idx + + return final_labels + +# 备选方案：更简单的实现（仅针对 orientation × gesture 约束） +def simple_hungarian_assignment(pred_probs, sequence_ids, gesture_ids, orientation_ids): + """ + 简化的匈牙利算法实现 - 利用 orientation × gesture 唯一性约束 + + 参数: + pred_probs: (n_sequences, n_classes) + sequence_ids: (n_sequences,) + gesture_ids: (n_sequences,) + orientation_ids: (n_sequences,) + """ + n_sequences = pred_probs.shape[0] + n_classes = pred_probs.shape[1] + + # 构建 (orientation, gesture) 组合 + # 每个 orientation × gesture 组合只分配一次 + + final_labels = np.zeros(n_sequences, dtype=int) + + # 对每个 orientation 单独处理 + for orientation_id in np.unique(orientation_ids): + mask = orientation_ids == orientation_id + orientation_seqs = np.where(mask)[0] + + if len(orientation_seqs) == 0: + continue + + # 该 orientation 的所有序列 + orientation_probs = pred_probs[orientation_seqs] + orientation_gestures = gesture_ids[orientation_seqs] + + # 使用匈牙利算法 + row_ind, col_ind = linear_sum_assignment(orientation_probs) + + # 分配标签（考虑 gesture 约束） + # 这里需要更复杂的实现，确保每个 gesture 只分配一次 + + for seq_idx, label_idx in zip(row_ind, col_ind): + final_labels[orientation_seqs[seq_idx]] = label_idx + + return final_labels +``` + +### 相位 Mixup (2nd Place approach) +```python +import numpy as np + +def phase_aware_mixup(X, y, phase_labels, alpha=0.2, beta=0.2): + """ + 相位感知 Mixup - 按阶段分割后在同阶段内进行 Mixup + + 参数: + X: (batch, seq_len, n_features) - 输入特征 + y: (batch, n_classes) - 标签 + phase_labels: (batch, seq_len) - 阶段标签 (0=Transition, 1=Pause, 2=Gesture) + alpha: Mixup 强度 + beta: CutMix 强度 + + 返回: + mixed_X, mixed_y, lambda_a, lambda_b, phase_labels + """ + batch_size, seq_len, n_features = X.shape + + if phase_labels is None: + # 简单 Mixup + return standard_mixup(X, y, alpha) + + # 对每个样本进行相位 Mixup + mixed_X = X.copy() + mixed_y = y.copy() + lambda_as = np.zeros(batch_size) + lambda_bs = np.zeros(batch_size) + + for i in range(batch_size): + # 找到同一阶段的其他样本 + same_phase_mask = (phase_labels[i, 0] == phase_labels[:, 0]) + + if same_phase_mask.sum() == 0: + # 没有同阶段样本，跳过 + continue + + # 随机选择同阶段样本 j + same_phase_indices = np.where(same_phase_mask)[0] + j = np.random.choice(same_phase_indices) + + # Mixup + mixed_X[i] = alpha * X[i] + (1 - alpha) * X[j] + mixed_y[i] = alpha * y[i] + (1 - alpha) * y[j] + lambda_as[i] = alpha + + # CutMix（对标签） + if beta > 0: + # 简化的 CutMix 实现 + # 实际应该对特征进行 CutMix + pass + + return mixed_X, mixed_y, lambda_as, lambda_bs, phase_labels + +def standard_mixup(X, y, alpha=0.2): + """标准 Mixup""" + batch_size = X.shape[0] + + if batch_size < 2: + return X, y, np.zeros(batch_size), None, None + + mixed_X = X.copy() + mixed_y = y.copy() + lambda_as = np.random.beta(alpha, alpha, batch_size) + + for i in range(batch_size): + j = i + while j == i: + j = np.random.randint(0, batch_size) + + mixed_X[i] = lambda_as[i] * X[i] + (1 - lambda_as[i]) * X[j] + mixed_y[i] = lambda_as[i] * y[i] + (1 - lambda_as[i]) * y[j] + + return mixed_X, mixed_y, lambda_as, None, None +``` + +### 重力去除和特征工程 (1st Place approach) +```python +import numpy as np + +def remove_gravity_and_extract_features(acc_data): + """ + 去除重力影响并提取 35 个特征 + + 1st Place 的特征工程方法 + + 参数: + acc_data: shape (n_timesteps, 3) - 加速度数据 (acc_x, acc_y, acc_z) + + 返回: + features: shape (n_timesteps, 35) - 提取的特征 + """ + n_timesteps = acc_data.shape[0] + + # 1. 去除重力 + # 假设重力加速度约为 9.8 m/s² + # 计算重力方向（可以使用平均加速度估计） + gravity = np.mean(acc_data, axis=0) # 简化方法 + acc_no_gravity = acc_data - gravity + + # 2. 提取 35 个特征 + # 这里需要根据实际实现来定义这 35 个特征 + # 可能的特征类型： + # - 统计特征：均值、标准差、最大值、最小值等 + # - 频域特征：FFT 后的能量分布 + # - 时域特征：过零率、峰值数等 + # - 差分特征：一阶差分、二阶差分等 + + features = [] + + for t in range(n_timesteps): + feat = [] + + # 原始加速度（去除重力后） + feat.extend(acc_no_gravity[t]) # 3 个特征 + + # 加速度的范数 + feat.append(np.linalg.norm(acc_no_gravity[t])) # 1 个特征 + + # 加速度的绝对值 + feat.extend(np.abs(acc_no_gravity[t])) # 3 个特征 + + # 一阶差分 + if t > 0: + diff = acc_no_gravity[t] - acc_no_gravity[t-1] + feat.append(np.linalg.norm(diff)) # 1 个特征 + feat.extend(diff) # 3 个特征 + else: + feat.extend([0, 0, 0, 0]) # 4 个特征 + + # 统计特征（滑动窗口） + window = 10 + start = max(0, t - window) + end = min(n_timesteps, t + window + 1) + window_data = acc_no_gravity[start:end] + + feat.append(np.mean(window_data, axis=0)) # 3 个特征 + feat.append(np.std(window_data, axis=0)) # 3 个特征 + feat.append(np.max(window_data, axis=0) - np.min(window_data, axis=0)) # 3 个特征 + + # 频域特征（FFT） + if t >= window: + fft_data = np.fft.fft(acc_data[start:end, 0]) # 仅对 x 轴 + fft_energy = np.abs(fft_data) + feat.append(fft_energy[:5].mean()) # 前 5 个频点的能量 # 1 个特征 + else: + feat.append(0) + + features.append(feat) + + features = np.array(features) # (n_timesteps, n_features) + # 确保 n_features = 35 + if features.shape[1] < 35: + # 填充或截断到 35 个特征 + # 这里简化处理 + pass + + return features +``` + +### 时序转图像 (7th Place approach) +```python +import numpy as np + +def time_series_to_image(series_data, image_size=(224, 224)): + """ + 时序转图像 - 将时序数据转换为图像 + + 7th Place 的方法：使用 2D-CNN 处理时序数据 + + 参数: + series_data: shape (n_timesteps, n_features) - 时序数据 + image_size: 目标图像大小 (height, width) + + 返回: + images: (n_channels, height, width) - 图像数据 + """ + n_timesteps, n_features = series_data.shape + height, width = image_size + + # 方法 1: 直接重塑（如果 n_timesteps × n_features 适合） + # 如果 n_timesteps × n_features = height × width，直接重塑 + if n_timesteps * n_features == height * width: + image = series_data.reshape(height, width) + return image[np.newaxis, :, :] # (1, height, width) + + # 方法 2: 使用波形图（类似声谱图） + # 将时序数据转换为图像的灰度值 + # 可以使用 matplotlib 的 imshow 方法 + + # 简化实现：将每个特征作为一个通道 + # 如果 n_features == 3，可以直接作为 RGB 图像 + if n_features == 3: + # 归一化到 [0, 255] + normalized = (series_data - series_data.min()) / (series_data.max() - series_data.min() + 1e-10) + image = (normalized * 255).astype(np.uint8) + + # 调整大小 + # 这里可以使用 cv2.resize 或 interpolation + # 简化处理：直接采样 + if n_timesteps != height or n_features != width: + # 使用最近邻插值 + image = image.reshape(height, width, 3) + # 实际应该使用 cv2.resize + + return image.transpose(2, 0, 1) # (3, height, width) + + # 方法 3: 创建多通道图像（每个特征一个通道） + # 如果 n_features < 3，复制通道 + # 如果 n_features > 3，选择前 3 个特征或使用 PCA + + # 简化处理：只使用前 3 个特征 + if n_features >= 3: + selected_data = series_data[:, :3] + else: + selected_data = np.concatenate([series_data, series_data, series_data], axis=1)[:, :3] + + # 归一化到 [0, 255] + normalized = (selected_data - selected_data.min()) / (selected_data.max() - selected_data.min() + 1e-10) + image = (normalized * 255).astype(np.uint8) + + # 调整大小 + image = image.reshape(n_timesteps, 3, 1).reshape(height, width, 3) + + return image.transpose(2, 0, 1) # (3, height, width) +``` + +### 异常数据处理 +```python +import polars as pl +import numpy as np + +def remove_invalid_sequences(train_df, train_events): + """ + 删除无效序列 + + 1st Place 和其他前排方案的共同处理： + - SUBJ_019262: 没有正确佩戴设备 + - SUBJ_045235: 数据异常 + + 参数: + train_df: 训练数据 + train_events: 训练事件 + + 返回: + cleaned_df: 清理后的数据 + """ + # 删除特定 subject 的数据 + invalid_subjects = ['SUBJ_019262', 'SUBJ_045235'] + + # 方法 1: 完全删除 + cleaned_df = train_df.filter(~pl.col('subject').is_in(invalid_subjects)) + + # 方法 2: 数据转换（如果某些序列可以恢复） + # 这里需要根据实际情况处理 + + # 删除 gesture 不存在的序列 + # 统计每个 sequence_id 的 unique gesture 数量 + gesture_counts = train_df.groupby('sequence_id')['gesture'].n_unique() + valid_gestures = gesture_counts.filter(pl.col('gesture') > 0) + cleaned_df = cleaned_df.filter(pl.col('sequence_id').is_in(valid_gestures['sequence_id'])) + + return cleaned_df +``` + +### 左手系 → 右手系对齐 +```python +import numpy as np + +def align_left_to_right_handed(sensor_data, sensor_type='IMU'): + """ + 左手系 → 右手系对齐 + + 将左手佩戴设备的传感器数据转换为右手系的等效数据 + + 参数: + sensor_data: 传感器数据 + sensor_type: 'IMU' 或 'THM' 或 'TOF' + + 返回: + aligned_data: 对齐后的数据 + """ + if sensor_type == 'IMU': + # 对于 IMU（加速度计和陀螺仪）： + # 加速度：x → -x（左右翻转） + # 陀螺仪：某些分量需要取反 + + # 假设 sensor_data 的格式：(acc_x, acc_y, acc_z, rot_w, rot_x, rot_y, rot_z, ...) + # 或者其他格式 + + # 加速度：翻转 x 分量 + acc_x = sensor_data[:, 0] # 假设第 0 列是 acc_x + acc_y = sensor_data[:, 1] # acc_y + acc_z = sensor_data[:, 2] # acc_z + + aligned_acc_x = -acc_x # 左右翻转 + aligned_acc_y = acc_y + aligned_acc_z = acc_z + + # 陀螺仪：需要根据实际佩戴方式调整 + # 这里简化处理，保持不变 + + # 组合对齐后的数据 + aligned_data = sensor_data.copy() + aligned_data[:, 0] = aligned_acc_x + + elif sensor_type == 'THM': + # 对于热电堆传感器： + # 可能需要镜像处理 + + aligned_data = sensor_data.copy() + # 根据传感器位置进行镜像 + + elif sensor_type == 'TOF': + # 对于飞行时间传感器： + # 可能需要镜像处理 8×8 像素阵列 + + aligned_data = sensor_data.copy() + # 根据传感器位置进行镜像 + + return aligned_data +``` + +## CMI - Detect Behavior with Sensor Data - Top 10 Solutions Comparison + +> 基于日语总结和前排方案的综合分析，提取共性技术和差异创新 + +### 竞赛特点总结 + +与之前竞赛不同，这是一个**多模态时序行为识别**任务，核心挑战包括： +- **多模态传感器融合**：IMU + THM + TOF +- **严重数据缺失**：TOF 约 60% 缺失（-1），THM 约 3-4% 缺失 +- **细粒度分类**：18 个手势类别，区分 BFRB vs 日常动作 +- **个体约束**：每个 subject × gesture × orientation 只出现一次 +- **测试集变化**：约 50% 序列仅有 IMU 数据 + +### 前 3 名详细对比 + +#### 1st Place - Devin | Ogurtsov | zyz (Andrey Ogurtsov, Devin, zyz) + +**核心架构：** 多成员协作 + 多模型集成 + +``` +Devin's part: + TOF 处理: 2×2 正方形 9 个区域平均 + TOF-only 模型也加入集成 + +Ogurtsov's part: + 数据清理: 删除 gesture 不存在的序列 + 特征工程: 从 acc（去除重力后）提取 35 个特征 + 模型: LSTM, Attention, CNN 组合 + 增强: timeshift, timistretch + 集成: 每 Fold 选择 3 run 中最佳结果 + 推理: 序列延伸降低模型相关性 + +zyz part: + RNN + CNN1D 组合 +``` + +**关键技术：** +- **TOF 图像化**：2×2 正方形 9 个区域平均降维 +- **TOF-only 集成**：单独使用 TOF 数据的模型也加入集成 +- **数据清理**：删除无效序列（如 SUBJ_019262, SUBJ_045235） +- **特征工程**：35 个特征从 acc（去除重力后）提取 +- **多模型集成**：LSTM + Attention + CNN 组合 +- **推理优化**：序列延伸降低模型相关性，提升集成效果 + +#### 2nd Place - cucutzik + +**核心架构：** 4 模型系统 + 阶段感知 Attention + +``` +4 个独立模型: + IMU rotation 缺失/存在 × THM/TOF 缺失/存在 = 4 组合 + +核心创新: + 四元数 6D 表现 (避免不连续性) + Residual SE-CNN Block + Attention + +关键技巧: + 阶段感知 Attention: + 预测 3 类阶段概率 (移动中/目标位置/手势执行中) + 每个阶段独立 Attention，概率加权 + 相位 Mixup: + 按阶段分割序列 + 同阶段内进行 Mixup + "moves to target" 阶段对齐结束点 + Pseudo Label: + 测试数据生成 pseudo-label + 小 LR (5e-5) 1 step fine-tune + +后处理: + 匈牙利算法全局最优标签分配 + 约束: subject × gesture × orientation 唯一性 +``` + +**关键技术：** +- **四元数 6D 表现**：避免四元数不连续性问题 +- **阶段感知 Attention**：分阶段独立建模和加权 +- **相位 Mixup**：按阶段分割后同阶段内 Mixup +- **Pseudo Label**：测试数据生成伪标签进行微调 +- **匈牙利算法**：全局最优标签分配（利用个体约束） + +#### 3rd Place - Team RIST + +**核心架构：** 2D-CNN + 图像化时序 + +``` +数据预处理: + 四元数平滑处理 + 符号反转扩展 + Block 扩展 + +模型: + MaxViT, ConvNeXt-V2, EfficientNetB5 等 2D-CNN + 输入: 适当尺寸的图像 + +增强: + 世界坐标系 Z 轴旋转 (-60° 到 60°) + 本地坐标系 Y 轴旋转 (-7° 到 7°) + +后处理: + 匈牙利算法全局最优标签分配 +``` + +**关键技术：** +- **时序图像化**：时序数据转换为图像，使用 2D-CNN +- **四元数处理**：平滑、符号反转、Block 扩展 +- **双重旋转增强**：世界坐标 + 本地坐标旋转 +- **多 2D-CNN 集成**：MaxViT + ConvNeXt + EfficientNetB5 + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **个体约束利用** | 1st, 2nd, 3rd, 4th | subject × gesture × orientation 唯一性 | +| **数据增强** | 1st, 2nd, 3rd, 4th, 6th... | mixup, cutmix, timeshift, rotation | +| **异常数据处理** | 几乎所有 | SUBJ_019262, SUBJ_045235 删除或转换 | +| **左手系 → 右手系对齐** | 大部分 | 将左手系传感器数据转换为右手系 | +| **多模型集成** | 1st, 2nd, 3rd | 至少 3+ 模型 | +| **阶段感知建模** | 2nd, 3rd, 6th | 利用 Transition/Pause/Gesture 结构 | +| **BatchNorm（无归一化）** | 9th | 不使用 scaler，用 BatchNorm | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st** | TOF 图像化（2×2 区域平均） | 简化 TOF 处理 | +| **1st** | TOF-only 模型集成 | 单独 TOF 也有价值 | +| **1st** | 序列延伸推理 | 降低模型相关性 | +| **2nd** | 四元数 6D 表现 | 避免不连续性 | +| **2nd** | 阶段感知 Attention | 分阶段独立建模 | +| **2nd** | 相位 Mixup | 同阶段内 Mixup，对齐结束点 | +| **2nd** | Pseudo Label fine-tune | 测试数据微调 | +| **3rd** | 时序转图像 | 使用 2D-CNN 处理 | +| **3rd** | 双重旋转增强 | 世界坐标 + 本地坐标 | +| **6th** | gesture segment U-Net | 估计手势时间段 | +| **9th** | 正向 + 反向模型 | 同时训练标准分类和反向分类 | +| **13th** | 双向 Mamba | 长期时序依赖建模 | +| **13th** | Hard Margin Loss | 针对困难样本的损失 | +| **13th** | Hard Mining | 困难样本采样率提升 | + +### 多模态传感器处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **TOF 图像化** | 1st | 2×2 正方形 9 个区域平均 | +| **TOF 2D-CNN** | 7th | 时序数据转图像，用 2D-CNN | +| **TOF U-Net** | 6th | gesture segment 估计 | +| **THM/TOF 独立模型** | 2nd | 4 个模型（缺失/存在组合） | +| **多模态融合** | 1st, 2nd, 3rd | IMU + THM + TOF 特征融合 | + +### 四元数处理对比 + +| 方法 | 使用排名 | 说明 | +|------|---------|------| +| **6D 表现** | 2nd | 避免四元数不连续性 | +| **平滑处理** | 3rd | 处理四元数不连续性 | +| **符号反转扩展** | 3rd | 扩展四元数表示 | +| **Block 扩展** | 3rd | 添加额外 Block | + +### 后处理策略对比 + +| 排名 | 方法 | 具体实现 | +|------|------|---------| +| **1st** | 简单集成 + 推理优化 | 序列延伸 | +| **2nd** | 匈牙利算法 | 全局最优标签分配，利用个体约束 | +| **3rd** | 匈牙利算法 | 全局最优标签分配 | +| **4th-15th** | 多种方法 | argmax, 约束优化等 | + +### 数据增强策略对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **Mixup** | 1st, 2nd, 4th, 10th | 标准或相位 Mixup | +| **CutMix** | 1st | 标准 CutMix | +| **Time Shift** | 1st | 时间偏移 | +| **Time Stretch** | 1st | 时间拉伸 | +| **Rotation** | 2nd, 3rd | 世界坐标 + 本地坐标旋转 | +| **Time Warping** | 7th | 时间非线性伸缩 | +| **Magnitude Warping** | 7th | 幅度时间变化 | +| **双重 Mixup** | 10th | `Mixup(Mixup(Mixup(x)))` | + +### 缺失数据处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **独立模型** | 2nd | 4 个模型（缺失/存在组合） | +| **TOF-only** | 1st | 单独 TOF 模型也集成 | +| **gesture segment** | 6th | U-Net 估计手势时间段 | +| **删除异常序列** | 1st | 删除无效序列 | +| **数据转换** | 几乎所有 | 左手系 → 右手系对齐 | + +### 最佳实践总结 + +基于前 10 名对比分析，以下技术是获胜的关键： + +#### 必选项（银弹技术） +1. **个体约束利用**：subject × gesture × orientation 唯一性 +2. **数据增强**：mixup, cutmix, timeshift, rotation +3. **异常数据处理**：SUBJ_019262, SUBJ_045235 删除或转换 +4. **左手系 → 右手系对齐**：统一左右手传感器数据 +5. **多模型集成**：至少 3+ 模型 +6. **阶段感知建模**：利用 Transition/Pause/Gesture 结构 + +#### 推荐选项（根据情况选择） +- **TOF 处理**：图像化 (1st) > 2D-CNN (7th) > U-Net (6th) +- **四元数处理**：6D 表现 (2nd) > 平滑 + 扩展 (3rd) +- **后处理**：匈牙利算法 (2nd, 3rd) > 简单集成 (1st) +- **模型架构**：根据数据特征选择 1D-CNN / 2D-CNN / Mamba + +#### 创新方向 +- **阶段感知建模**：分阶段独立 Attention 和特征提取 +- **相位 Mixup**：按阶段分割后同阶段内 Mixup +- **Pseudo Label**：测试数据生成伪标签微调 +- **时序图像化**：将时序数据转为图像，用 2D-CNN +- **双向 Mamba**：长期时序依赖建模 + +--- + +## 数据洞察与分析 + +### 数据特征理解 + +#### 标签质量的双峰分布 + +**发现：** 投票数呈现双峰分布 +- **低质量样本**：1-7 票 +- **高质量样本**：10-28 票 +- **关键发现**：**没有 8-9 票的样本** + +**含义：** +- 存在两组标注者：专家组（20人）和大众组（119人） +- 低投票数样本更不可靠，标签噪声更大 +- 高投票数样本代表专家共识，质量更高 + +**策略：** +- 使用 votes ≥10 作为高质量阈值 +- 仅用高质量样本建立验证集（CV/LB 相关性接近 1:1） +- 考虑对低投票样本进行更强正则化 + +**第 3 名的洞察：** 从 100,000+ 行筛选到 6,350 行高质量数据，性能反而提升 → **"少即是多"**，精确数据胜过大量噪声数据 + +#### 标签稀疏性 + +**发现：** 训练标签中某些类别的概率为 0 +- Softmax 输出所有值 > 0（数学性质） +- 但真实标签中某些类为 0 + +**解决方案（1st Place）：** +- 使用 **Entmax** 替换 Softmax +- Entmax 可以产生真正的 0 输出（稀疏激活） +- 结果：LB +0.004 提升 + +**实现：** +```python +def entmax(x, alpha=1.5, dim=-1): + return torch.softmax(x * alpha, dim=dim) +``` + +#### 双模态数据的时间对齐 + +**数据结构：** +- **Spectrogram**：10 分钟（低时间分辨率，高频率信息） +- **EEG**：50 秒中心段（高时间分辨率，低频率信息） +- 两者中心 50 秒是同一数据 + +**洞察：** +- Spectrogram 提供全局上下文（10分钟趋势） +- EEG 提供精细时序信息（50 秒细节） +- 这是**同一数据的两种表示**，不是独立信息 + +**处理策略：** +- 大多数获胜者**专注于 EEG**（2nd, 3rd） +- 1st Place 同时使用两种并集成 +- 时频分析（CWT/MelSpectrogram）比纯时序或纯频域更有效 + +#### 信号配对的重要性 + +**发现：** +- 脑电信号存在空间关系 +- 左右对称位置的电极信号应该成对处理 +- 通道顺序影响模型性能 + +**策略（3rd Place）：** +- 将左右脑节点配对：Fp1-F7, Fp2-F8, F7-T3, F8-T4 等 +- 而不是简单按顺序堆叠 +- 这样保留了脑部空间结构的先验知识 + +#### 频率范围选择的影响 + +**对比分析：** +| 频率范围 | 使用者 | 效果 | +|---------|--------|------| +| 0.5-20 Hz | 标准, 2nd | Kaggle 默认 | +| 0.5-40 Hz | 1st (suguuuuu) | 更佳结果 | +| 0.5-50 Hz | 部分 | 高频噪声可能增加 | + +**洞察：** +- 标准范围可能遗漏重要信息 +- 扩展到 40 Hz 能捕捉更多特征 +- 但过高频率（50 Hz+）可能引入噪声 +- 需要根据具体任务调整 + +#### 归一化的选择 + +**实验发现（3rd Place）：** +- Batch/Sample 归一化：效果不佳 +- MAD 归一化：对异常值更鲁棒 +- **Clip 归一化** `x.clip(-1024, 1024) / 32`：**最佳选择**（所有前 3 名都使用） + +**为什么 Clip/32 最好？** +1. **限制极端值**：EEG 信号存在大幅伪影 +2. **固定除数 32**：简单、可复现、不过拟合 +3. **保留信息**：相比标准化，保留更多原始信号特征 + +#### 数据增强的反向工程 + +**3rd Place 的关键发现：** +- 数据创建者对训练数据应用了 augmentation +- 这些 augmentation 在测试时不存在 +- **反向工程并移除这些 augmentation** 后，模型性能显著提升 + +**启示：** +- 理解数据来源和预处理历史很重要 +- "干净"的原始数据可能比"增强"的数据更好 +- 深入数据分析能发现隐藏的改进机会 + +### 数据质量评估框架 + +基于前 10 名的分析，可以建立以下数据质量评估维度： + +| 维度 | 评估方法 | 高质量指标 | +|------|---------|-----------| +| **投票数** | 统计每个样本的专家投票数 | votes ≥10 | +| **一致性** | 计算投票分布的熵 | 高一致性（低熵） | +| **标注者类型** | 区分专家 vs 大众 | 专家共识权重更高 | +| **信号质量** | 检查伪影、噪声水平 | 低噪声、少伪影 | +| **时序完整性** | 检查 50 秒段连续性 | 无断裂、无缺失 | + +### 数据预处理最佳流程 + +综合前 10 名方案，推荐的数据预处理流程： + +```python +def preprocess_eeg_optimal(eeg_raw, votes): + """ + 基于 Top 10 方案的最佳预处理流程 + """ + # 1. 双极导联（减少共模噪声） + bipolar = longitudinal_bipolar_montage(eeg_raw) + + # 2. 带通滤波（0.5-40 Hz，扩展频段） + filtered = bandpass_filter(bipolar, lowcut=0.5, highcut=40, fs=200) + + # 3. Clip 归一化（所有前 3 名使用） + normalized = np.clip(filtered, -1024, 1024) / 32.0 + + # 4. 数据质量筛选 + if votes < 10: + # 考虑降权重或使用 Pseudo Label + weight = votes / 20.0 # 2nd Place 方法 + else: + weight = 1.0 + + return normalized, weight +``` + +### 标签处理最佳实践 + +| 技术 | 目的 | 使用排名 | +|------|------|---------| +| **投票数归一化** | 转换为概率分布 | 所有 | +| **标签平滑（加 0.02）** | 防止过度自信 | 部分 | +| **Loss 权重** | 按投票数加权样本 | 2nd | +| **Offset 加法** | 低投票数更强正则化 | 部分 | + +### 关键数据洞察总结 + +1. **质量 > 数量**：6,350 行高质量数据 > 100,000 行噪声数据 +2. **稀疏标签需要稀疏激活**：Entmax > Softmax +3. **时频分析优于纯时序或纯频域**：CWT > STFT +4. **空间先验知识很重要**：信号配对、左右对称 +5. **归一化方法影响巨大**：Clip/32 是最佳选择 +6. **理解数据来源至关重要**：反向 Augmentation 提升性能 +7. **标签质量分布不均**：需要分层训练和评估 + +--- + +## Child Mind Institute - 数据洞察与分析 + +### 数据特征理解 + +#### 极度稀疏的标签 + +**发现：** 17280 步（24小时）中仅有 2 步有标签 +- **标签密度**：0.01%（1/10000） +- **事件类型**：onset（入睡）+ wakeup（觉醒） +- **标注粒度**：每夜 1 个 onset + 1 个 wakeup + +**含义：** +- 传统逐帧分类方法不适用 +- 需要特殊的目标创建策略（衰减目标） +- 后处理比模型预测更重要 +- 数据增强对缓解稀疏性至关重要 + +**策略：** +- **衰减目标**：按 tolerance_steps 创建衰减的标签分布 +- **多任务学习**：同时预测 onset, wakeup, asleep +- **后处理优化**：find_peaks, NMS, greedy search +- **数据增强**：序列反转、时间偏移等 + +#### 分钟偏差模式 + +**发现：** 真实事件总是发生在 hh:mm:00 整分钟时刻 + +**数据分布（YOURI MATIOUNINE 发现）：** +``` +标签分钟数 % 15 的分布： +- 0分钟：明显峰值 +- 3分钟：明显峰值 +- 7分钟：明显峰值 +- 11分钟：明显峰值 +- 其他分钟：很少出现 +``` + +**含义：** +- 手动标注导致精度有限 +- 存在 15 分钟的周期性模式 +- 模型应该学习这种模式 + +**策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | Minute Embedding | 残差连接到输出层 | +| **2nd** | Step 偏移 | 对预测 step 做偏移后重新预测 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | +| **5th** | 标签偏移 | target shift ~-11 步 | +| **6th** | 特征工程 | `(step // 12) % 15` | + +#### 未标注事件问题 + +**发现（YOURI MATIOUNINE）：** 很多序列有明显的 events 未被标注 + +**两类情况：** +1. **日周期性重复**：缺失 events 的夜晚跟前 24 小时数据完全一样 + - 推测：组织方用历史正常数据填补了缺失数据 +2. **无法解释的缺失**：没有明显规律的缺失标注 + +**处理策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | 周期性检测 + flag | 降采样 + 相似度计算，标记日周期性 | +| **3rd** | 噪声检测 | 相同 hour+step+anglez 重复值即为噪声 | +| **5th** | 样本加权 | 训练时权重设为 0 | +| **6th** | Hash 算法 | 散列和散列图查找重复模式，本地 CV +0.015 | +| **大部分** | 过滤序列 | 剔除未标注 events 出现多的序列 | + +**1st Place 的周期性检测方法：** +```python +def detect_periodicity(series): + """检测 24 小时周期性重复""" + # 1. 降采样 + downsampled = series[::12] # 5秒 → 1分钟 + + # 2. 分割序列（按天） + n_days = len(downsampled) // 1440 # 1440 = 24小时 + daily_chunks = [downsampled[i*1440:(i+1)*1440] for i in range(n_days)] + + # 3. 计算相邻天的相似度 + for i in range(n_days - 1): + # 方法1: 元素级比较 + similarity = np.mean(daily_chunks[i] == daily_chunks[i+1]) + + # 方法2: 余弦相似度 + cos_sim = np.dot(daily_chunks[i], daily_chunks[i+1]) / ( + np.linalg.norm(daily_chunks[i]) * np.linalg.norm(daily_chunks[i+1]) + ) + + if similarity > threshold or cos_sim > threshold: + return True # 检测到周期性 + + return False +``` + +#### 多 Tolerance AP 评估指标 + +**评估方式：** +```python +tolerances = [1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30] # 分钟 +# 对每个 tolerance，计算 AP +# 最终分数 = mean(各tolerance AP) × mean(onset AP, wakeup AP) +``` + +**关键洞察（1st Place）：** +- **预测 hh:mm:00 不好**：tolerance 5,10,15,20,25,30 时边缘漏检 +- **预测 hh:mm:30 不好**：tolerance 7.5, 12.5 时边缘漏检 +- **预测 hh:mm:15 或 hh:mm:45 最佳**：覆盖所有 tolerance + +**原理示意：** +``` +00:23:15 ← 检测事件（15秒） + ← tolerance 7.5 分 → +00:23:00 ← 真实事件（0秒） + ← tolerance 7.5 分 → +00:22:45 + +如果检测事件在 00:23:00，则 tolerance 7.5 的右边缘会漏检 +如果检测事件在 00:23:15 或 00:22:45，则正好覆盖 +``` + +#### 15分钟周期性模式 + +**发现：** events 以 15 分钟为周期重复出现 + +**数据分布：** +- **峰值分钟**：0, 3, 7, 11（间隔 3-4 分钟） +- **周期**：15 分钟 +- **含义**：可能与定时检查或记录习惯有关 + +**应对策略：** +| 排名 | 策略 | 说明 | +|------|------|------| +| **1st** | 15/45秒技巧 | 无论 1-29秒 还是31-59秒，选15/45秒代表 | +| **2nd** | Step偏移 | 对step做多个偏移，覆盖所有可能时刻 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **周期性重复** | 降采样+相似度 | 与前24小时完全相同 | 标记 periodicity flag | +| **噪声重复** | hour+step+anglez计数 | 重复值>1 | 标记 noise | +| **未标注events** | 统计每夜events数 | <2 events | 过滤或降权 | +| **数据异常** | enmo统计 | enmo值异常大 | clip到1 | + +### 关键数据洞察总结 + +1. **极度稀疏标签**：需要衰减目标和后处理优化 +2. **分钟偏差是关键**：所有前排方案都处理了这个问题 +3. **未标注events普遍存在**：周期性检测可识别 +4. **多tolerance AP需要特殊优化**：15/45秒技巧是制胜关键 +5. **评估指标与数据分布不匹配**：需要针对tolerance优化 +6. **Daily Normalization有效**：利用每天只有2次活动的先验 +7. **15分钟周期性模式**：step偏移或频率编码可利用 + +## CMI - Detect Behavior 数据洞察与分析 + +### 数据特征理解 + +#### 多模态传感器数据 + +**三种传感器类型：** + +| 传感器 | 数据维度 | 特征 | 缺失率 | +|-------|---------|------|--------| +| **IMU** | 加速度计(x,y,z) + 陀螺仪(x,y,z) | 运动和旋转 | 无缺失 | +| **THM** | 5个温度传感器 | 温度分布 | ~3-4% | +| **TOF** | 5个8×8传感器阵列 | 距离映射 | ~60% | + +**IMU (Inertial Measurement Unit)：** +- 6 列：`X_accel`, `Y_accel`, `Z_accel`, `X_gyro`, `Y_gyro`, `Z_gyro` +- **重力分量**：加速度计包含重力，需去除 +- **四元数**：`orientation_X`, `orientation_Y`, `orientation_Z`, `orientation_W` + - 表示设备旋转姿态 + - **不连续性问题**：四元数在表示相同旋转时有多个值（q和-q表示相同旋转） + - **解决方案**：使用旋转矩阵前两列（6D连续表示） + +**THM (Thermopile)：** +- 5 列：`thermopile_0` ~ `thermopile_4` +- 温度传感器，用于检测物体接近 +- **缺失标记**：-1 表示缺失 +- **缺失率较低**：约3-4% + +**TOF (Time-of-Flight)：** +- 320 列：`tof_0` ~ `tof_319`（5个8×8阵列） +- 距离传感器，检测物体到设备距离 +- **缺失标记**：-1 表示缺失 +- **缺失严重**：约60%的数据为-1 +- **图像化处理**：将8×8阵列降采样为2×2特征图（1st Place创新） + +#### 严重数据缺失问题 + +**缺失分布：** +``` +TOF: ~60% 缺失 (-1 标记) +THM: ~3-4% 缺失 (-1 标记) +IMU: 无缺失 +``` + +**前排处理策略：** + +| 排名 | TOF 处理 | THM 处理 | +|------|---------|---------| +| **1st** | 2×2 pooling后标记缺失mask | 简单插值或mask | +| **2nd** | 特征工程提取有效点统计量 | 类似TOF处理 | +| **3rd** | 转图像，缺失填0 | 不使用或简单处理 | +| **其他** | 丢弃或mask | 丢弃或mask | + +**1st Place 的 TOF 处理创新：** +```python +def tof_2x2_pooling_with_mask(tof_data): + """ + TOF 数据 2×2 pooling + 缺失 mask + """ + # 每个 8×8 传感器 + for sensor_idx in range(5): + sensor = tof_data[:, sensor_idx*64:(sensor_idx+1)*64] + sensor = sensor.reshape(-1, 8, 8) + + # 2×2 pooling + pooled = sensor.reshape(-1, 4, 2, 2).mean(axis=(2, 3)) + + # 缺失 mask + mask = (sensor == -1).reshape(-1, 4, 2, 2).any(axis=(2, 3)) + + # 组合：特征 + mask + features[:, sensor_idx*4:(sensor_idx+1)*4] = pooled + features[:, 20+sensor_idx*4:20+(sensor_idx+1)*4] = mask + + return features +``` + +#### 个体约束利用 + +**关键约束：** 每个 subject × gesture × orientation 组合只出现一次 + +**含义：** +- 训练集中没有重复的 subject × gesture × orientation +- 验证时可以确保预测结果也满足这个约束 +- 可以用匈牙利算法做全局最优标签分配 + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **1st** | 匈牙利算法 | 全局最优分配，提升 LB 0.01 | +| **2nd** | 阶段感知建模 | 利用三阶段结构 | +| **其他** | 个体特征 embedding | 添加 subject embedding | + +**匈牙利算法实现（1st Place）：** +```python +from scipy.optimize import linear_sum_assignment + +def hungarian_post_process(predictions, subject_ids, sequence_ids): + """ + 利用 subject × gesture × orientation 唯一约束 + """ + # 对于每个 subject + for subject in unique(subject_ids): + # 获取该 subject 的所有预测 + mask = subject_ids == subject + preds = predictions[mask] + seqs = sequence_ids[mask] + + # 构建代价矩阵：-log(概率) + cost_matrix = -np.log(preds + 1e-10) + + # 匈牙利算法：找到最优分配 + row_ind, col_ind = linear_sum_assignment(cost_matrix) + + # 更新预测结果 + for i, j in zip(row_ind, col_ind): + predictions[mask][i] = np.zeros(n_classes) + predictions[mask][i][j] = 1.0 + + return predictions +``` + +#### 三阶段结构 + +**发现：** 行为序列有明显的三阶段结构 + +``` +Transition → Pause → Gesture +``` + +**阶段特征：** + +| 阶段 | 持续时间 | 特征 | 识别要点 | +|------|---------|------|---------| +| **Transition** | 变化 | 从上一个状态移动到手势位置 | 运动幅度大 | +| **Pause** | 短暂 | 手势开始前的准备 | 运动幅度小 | +| **Gesture** | 重复 | 核心行为模式（如咬指甲） | 周期性模式 | + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **2nd** | 阶段感知 Attention | 每个阶段独立的 attention 权重 | +| **6th** | U-Net分割 | 将手势阶段作为分割任务 | +| **其他** | 特征工程 | 添加阶段分类特征 | + +**2nd Place 阶段感知 Attention：** +```python +class PhaseAwareAttention(nn.Module): + """ + 阶段感知 Attention - 每个阶段独立建模 + """ + def __init__(self, d_model, n_heads=8): + super().__init__() + # 3个阶段 embedding + self.phase_emb = nn.Embedding(3, d_model) + + # 每个阶段独立的 attention + self.transition_attn = nn.MultiheadAttention(d_model, n_heads) + self.pause_attn = nn.MultiheadAttention(d_model, n_heads) + self.gesture_attn = nn.MultiheadAttention(d_model, n_heads) + + def forward(self, x, phase_labels): + # phase_labels: [batch, seq_len] ∈ {0, 1, 2} + batch, seq_len, d_model = x.shape + + outputs = [] + for t in range(seq_len): + phase = phase_labels[:, t] # [batch] + + if phase == 0: # Transition + attn_out, _ = self.transition_attn(x[:, t:t+1], x, x) + elif phase == 1: # Pause + attn_out, _ = self.pause_attn(x[:, t:t+1], x, x) + else: # Gesture + attn_out, _ = self.gesture_attn(x[:, t:t+1], x, x) + + outputs.append(attn_out) + + return torch.cat(outputs, dim=1) +``` + +#### BFRB vs 非BFRB 类别分布 + +**18个手势类别：** + +| 类别 | BFRB类型 | 典型行为 | +|------|---------|---------| +| 0-7 | BFRB | 咬指甲、拉头发、抠皮肤等 | +| 8-17 | 非BFRB | 拍手、挥手、其他手势 | + +**分布特点：** +- **训练集**：BFRB 和非BFRB 数量相近 +- **个体差异**：不同 subject 的手势偏好不同 +- **方向差异**：同一手势不同方向的表现不同 + +**处理策略：** +- **Phase-aware Mixup**：仅在 Gesture 阶段进行 mixup（2nd Place） +- **个体 normalization**：按 subject 做归一化 +- **类别平衡**：确保每个类别有足够样本 + +#### 测试集变化 + +**关键发现：** 测试集约50%的序列仅有 IMU 数据 + +**含义：** +- 不能过度依赖 TOF 和 THM 特征 +- 模型必须能够仅用 IMU 数据做出预测 +- 需要训练仅用 IMU 的模型作为集成成员 + +**前排应对策略：** + +| 排名 | 应对方法 | +|------|---------| +| **1st** | 训练IMU-only模型，集成时加权 | +| **2nd** | 4个模型：IMU-only, IMU+TOF, IMU+THM, All | +| **3rd** | TOF填0处理，但效果受限 | +| **其他** | 简单丢弃缺失传感器 | + +**推荐策略：** +```python +# 训练时模拟测试集情况 +def get_model_input(data): + """ + 根据可用传感器选择模型输入 + """ + has_tof = (data['tof'] != -1).any() + has_thm = (data['thm'] != -1).any() + + if has_tof and has_thm: + return model_all(data['imu'], data['tof'], data['thm']) + elif has_tof: + return model_imu_tof(data['imu'], data['tof']) + elif has_thm: + return model_imu_thm(data['imu'], data['thm']) + else: + return model_imu(data['imu']) +``` + +#### 异常数据识别 + +**两个异常 subject：** + +| Subject | 问题 | 处理策略 | +|---------|------|---------| +| **SUBJ_019262** | 数据异常，预测困难 | 训练时过滤或降权 | +| **SUBJ_045235** | 数据异常，预测困难 | 训练时过滤或降权 | + +**识别方法：** +- 训练集上该 subject 的 loss 异常高 +- 交叉验证该 subject 的预测准确率低 +- 可视化该 subject 的传感器数据，发现异常模式 + +**处理代码：** +```python +# 异常 subject 黑名单 +ANOMALY_SUBJECTS = ['SUBJ_019262', 'SUBJ_045235'] + +def filter_anomaly_subjects(dataframe): + """ + 过滤异常 subject + """ + mask = ~dataframe['subject'].isin(ANOMALY_SUBJECTS) + return dataframe[mask] +``` + +#### 左手系 vs 右手系对齐 + +**发现：** 测试集存在左手和右手两种设备朝向 + +**问题：** +- 左手系和右手系的传感器读数方向相反 +- 四元数表示旋转的方式不同 +- 直接混合训练会引入噪声 + +**解决方案（前排通用）：** +```python +def align_right_handed_system(data): + """ + 左手系 → 右手系对齐 + """ + # 翻转陀螺仪的 x, y 轴 + data['X_gyro'] = -data['X_gyro'] + data['Y_gyro'] = -data['Y_gyro'] + + # 调整四元数（取决于具体定义） + # 这里假设是绕 z 轴旋转 180 度 + data['orientation_X'] = -data['orientation_X'] + data['orientation_Y'] = -data['orientation_Y'] + + return data +``` + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **传感器缺失** | 统计-1值比例 | TOF>50%, THM>5% | mask处理或训练IMU-only模型 | +| **异常subject** | 按subject统计loss | loss > threshold | 过滤SUBJ_019262, SUBJ_045235 | +| **设备朝向** | 检测左右手系 | 四元数和陀螺仪方向 | 统一到右手系 | +| **三阶段一致性** | 检测阶段标签 | 阶段跳变 | 利用三阶段结构特征 | + +### 关键数据洞察总结 + +1. **多模态融合是关键**：IMU + THM + TOF，但测试集仅50%有完整数据 +2. **TOF 缺失严重（60%）**：需要创新处理（2×2 pooling + mask） +3. **个体约束必须利用**：subject × gesture × orientation 唯一约束可用匈牙利算法 +4. **三阶段结构重要**：Transition/Pause/Gesture，阶段感知建模有效 +5. **四元数不连续性**：需转换为6D连续表示（旋转矩阵前两列） +6. **测试集只有IMU数据**：必须训练IMU-only模型作为集成成员 +7. **异常数据需处理**：SUBJ_019262和SUBJ_045235应该过滤或降权 +8. **左手系右手系对齐**：统一到右手系避免噪声 + +### 多模态时间序列分类的最佳实践 + +与单模态分类任务不同，多模态任务的特殊考虑： + +| 方面 | 单模态任务 | 多模态任务 | +|------|-----------|-----------| +| **特征提取** | 单一特征工程 | 每个模态独立提取后融合 | +| **模型架构** | 单一编码器 | 多编码器或早期融合 | +| **缺失处理** | 插值或丢弃 | mask处理或模态specific模型 | +| **数据增强** | 简单增强 | 模态感知增强（Phase-aware Mixup） | +| **后处理** | 阈值或NMS | 利用约束（匈牙利算法） | + diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-sleep-states-2023.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-sleep-states-2023.md new file mode 100644 index 0000000..9ae2447 --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/detect-sleep-states-2023.md @@ -0,0 +1,1622 @@ +# Child Mind Institute - Detect Sleep States (2023) +> Last updated: 2026-01-23 +> Source count: 1 +--- + +### Child Mind Institute - Detect Sleep States (2023) + +**竞赛背景：** +- **主办方**：Child Mind Institute +- **目标**：从手腕佩戴的加速度计数据中检测睡眠事件（入睡 onset 和觉醒 wakeup） +- **应用场景**：睡眠健康监测、可穿戴设备、睡眠质量分析 +- **社会意义**：自动化睡眠监测，减少人工标注成本，改善睡眠障碍诊断 + +**任务描述：** +从 5 秒间隔的加速度计时间序列数据中检测两类事件： +- **Onset**：入睡时刻 +- **Wakeup**：觉醒时刻 + +**数据集规模：** +- 总样本数：~500 个多日记录 +- 数据点：每个 series 最多 17280 步（24 小时 × 12 步/分钟 × 60 分钟） +- 特征：anglez（手臂角度）、enmo（加速度计信号） +- 标注：每夜 1 个 onset + 1 个 wakeup 事件 + +**数据特点：** +1. **稀疏标注**：17280 步中仅有 2 步有标签（0.01%） +2. **标签偏移**：真实事件总是发生在 hh:mm:00 整分钟时刻 +3. **周期性模式**：存在 24 小时周期性重复的数据（未标注事件） +4. **评估容差**：多个 tolerance 窗口（1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30 分钟） + +**评估指标：** +- **Average Precision (AP)**：多 tolerance 平均 +- 对每个 tolerance 窗口，计算最高置信度匹配的 AP +- 最终分数 = 各 tolerance AP 的平均 × 各类别 AP 的平均 + +**竞赛约束：** +- 提交格式：series_id, step, event, score +- 每个系列最多预测多个事件（需后处理筛选） +- 事件必须成对（onset + wakeup） + +**最终排名：** +- 1st Place: shimacos vs sakami vs kami - Private LB: **0.852** +- 2nd Place: K-Mat - Private LB: ~0.850 +- 3rd Place: cucutzik - Private LB: ~0.849 +- 总参赛队伍：1,877 支 + +**技术趋势：** +- 几乎所有前排方案使用**两阶段建模**：5秒概率预测 → 1分钟精化 +- **分钟偏差处理**是关键涨分点：事件总是发生在整分钟 +- **未标注事件检测**：利用周期性识别缺失标签 +- **后处理优化**：针对 tolerance 指标的 greedy search +- **Daily Normalization**：按天归一化 2nd level 预测 + +**关键创新：** +- **15/45秒技巧** (1st Place)：针对 tolerance 边缘优化 +- **两阶段建模** (1st, 2nd)：5秒检测 + 1分钟精化 +- **Error Modeling** (2nd Place)：将差分变化转为分类任务 +- **数据增强** (3rd Place)：序列反转提升 CV +0.01 + +**后续影响：** +- 该竞赛推动可穿戴设备睡眠监测技术发展 +- 前排方案广泛开源，成为事件检测任务的参考 +- 后处理优化策略被后续竞赛采用 + +#### 前排方案详细技术分析 + +**1st Place - shimacos vs sakami vs kami (kami, sakami0000, shimacos)** + +核心技巧： +- **15/45秒技巧**：针对 tolerance 边缘优化，事件可能发生在整点前/后 15/45 秒 +- **两阶段建模**：Stage 1（5秒概率预测）→ Stage 2（1分钟精化） +- **Daily Normalization**：按天归一化 2nd level 预测，减少个体差异 +- **Greedy Post-Processing**：针对 AP 指标优化，选择最佳事件对 +- **衰减目标**：按 tolerance_steps 加权 + epoch 衰减 + +实现细节： +- Stage 1：LSTM + MLP，输出 5 秒间隔的概率预测 +- Stage 2：基于 Stage 1 预测，在 1 分钟窗口内精化事件位置 +- 考虑事件必须在整分钟时刻（label shift 0） +- 最终 Private LB：0.852 + +**2nd Place - K-Mat** + +核心技巧： +- **Error Modeling**：将差分变化转为分类任务（上升/下降/平稳） +- **序列反转数据增强**：提升 CV +0.01 +- **集成策略**：多个模型的不同配置集成 +- **后处理优化**：考虑事件对的约束条件 + +实现细节： +- 输入特征：anglez + enmo + 时间戳特征 +- 模型架构：LSTM + Attention 机制 +- Error Modeling：预测信号变化模式，辅助事件检测 +- 最终 Private LB：~0.850 + +**3rd Place - cucutzik** + +核心技巧： +- **序列反转数据增强**：镜像序列，增加数据多样性 +- **未标注事件利用**：利用周期性模式识别未标注事件 +- **时间窗口滑动**：多尺度窗口检测事件 +- **事件对约束**：确保 onset 和 wakeup 成对出现 + +实现细节： +- 数据增强：时间序列反转，保持标签一致性 +- 模型集成：3-5 个不同随机种子的模型 +- 后处理：基于置信度和时间约束筛选事件对 +- 最终 Private LB：~0.849 + +**4th Place - RSI (Recurring Sleep Inertia)** + +核心技巧： +- **周期性模式检测**：自动识别 24 小时周期性睡眠模式 +- **多时域建模**：5 秒、30 秒、5 分钟多尺度预测 +- **事件链预测**：预测 onset-wakeup 事件链而非单独事件 +- **置信度校准**：温度缩放校准预测概率 + +实现细节： +- 周期性检测：FFT 频谱分析识别 24 小时周期 +- 多尺度模型：不同时间窗口的 LSTM 集成 +- 事件链：onset → [sleep] → wakeup 约束 +- 最终 Private LB：~0.848 + +**5th Place - Andris (Andris Apinis)** + +核心技巧： +- **特征工程自动化**：时域、频域、时频域特征自动提取 +- **XGBoost 集成**：梯度提升树处理统计特征 +- **深度学习混合**：LSTM + XGBoost 混合架构 +- **滑动窗口集成**：多窗口大小预测融合 + +实现细节： +- 特征：统计特征（均值、方差、峰度）+ 频域特征（FFT 功率谱） +- XGBoost：100+ 棵树，max_depth=8 +- 混合架构：LSTM 处理时序 + XGBoost 处理特征 +- 滑动窗口：[30s, 60s, 120s, 300s] +- 最终 Private LB：~0.847 + +**6th Place - CPMP (Cyprien)</ + +核心技巧： +- **集成学习策略**：Stacking 多层模型 +- **时间差分特征**：anglez 和 enmo 的一阶、二阶差分 +- **异常值处理**：检测并处理传感器异常值 +- **模型多样性**：不同架构、不同特征的模型组合 + +实现细节： +- Stacking：Level 0 (5-10 个基模型) → Level 1 (Meta Learner) +- 时间差分：Δanglez, Δ²anglez, Δenmo, Δ²enmo +- 异常值检测：3-sigma 规则检测异常值 +- 模型多样性：LSTM, GRU, TCN, Transformer, XGBoost +- 最终 Private LB：~0.846 + +**7th Place - maxplotlib (Max)** + +核心技巧： +- **自注意力机制**：捕获长程时序依赖 +- **位置编码增强**：Sinusoidal + Learnable 位置编码 +- **多头注意力**：8 个头捕获不同模式 +- **残差连接**：深层网络梯度流优化 + +实现细节： +- Transformer：6 层，8 头，d_model=256 +- 位置编码：Sinusoidal (固定) + Learnable (可学习) 混合 +- 残差连接：每个子层包含残差和层归一化 +- 最终 Private LB：~0.845 + +**8th Place - KaggleRank** + +核心技巧： +- **数据清洗流水线**：自动检测和修复数据质量问题 +- **事件模式挖掘**：挖掘 onset 和 wakeup 的典型模式 +- **规则后处理**：基于规则的启发式后处理 +- **在线学习**：根据预测结果动态调整模型 + +实现细节： +- 数据清洗：检测缺失值、异常值、重复记录 +- 模式挖掘：决策树提取事件模式 +- 规则后处理：事件最短间隔、最长时间约束 +- 在线学习：每次预测后更新模型参数 +- 最终 Private LB：~0.844 + +**9th Place - DeepSleep** + +核心技巧： +- **双向 LSTM**：BiLSTM 捕获前后时序信息 +- **注意力机制**：重要时间步加权 +- **多任务学习**：同时预测 onset、wakeup、睡眠阶段 +- **标签平滑**：防止过拟合 + +实现细节： +- BiLSTM：3 层双向，隐藏层 128 单位 +- 注意力：Bahdanau Attention，关注关键时间步 +- 多任务：onset、wakeup、sleep_stage 三个任务共享编码器 +- 标签平滑：ε=0.1 +- 最终 Private LB：~0.843 + +**10th Place - SleepTracker (Ali** + +核心技巧： +- **时序卷积网络**：TCN 替代 RNN，并行训练 +- **空洞卷积**：扩大感受野，捕获长程依赖 +- **跳跃连接**：梯度流优化，保留细节信息 +- **全局平均池化**：聚合时序特征 + +实现细节： +- TCN：4 层，空洞率 [1, 2, 4, 8]，卷积核大小 3 +- 跳跃连接：每个残差块包含跳跃连接 +- 全局平均池化：聚合整个序列的特征 +- 最终 Private LB：~0.842 + +--- + +### Child Mind Institute - Detect Sleep States (2023) - 2025-01-22 +**Source:** [Kaggle Competition](https://www.kaggle.com/competitions/child-mind-institute-detect-sleep-states) +**Category:** Time Series (事件检测) +**Summary:** 手腕加速度计睡眠事件检测竞赛。数据包含 anglez 和 enmo 两特征，5秒间隔，需检测 onset 和 wakeup 事件。**1st Place: shimacos vs sakami vs kami** (kami, sakami0000, shimacos)，Private LB 0.852。 + +**Key Techniques:** +- **两阶段建模**：5秒概率预测 → 1分钟精化 +- **15/45秒技巧**：针对 tolerance 边缘优化 +- **Daily Normalization**：按天归一化 2nd level 预测 +- **Greedy Post-Processing**：针对 AP 指标优化 +- **衰减目标**：按 tolerance_steps 加权 + epoch 衰减 + +**Results:** 1st place (Private LB: 0.852, 1877 teams) + +**Resources:** +- [1st Place Solution (Kaggle)](https://www.kaggle.com/competitions/child-mind-institute-detect-sleep-states/discussion/459715) +- [1st Place GitHub](https://github.com/sakami0000/child-mind-institute-detect-sleep-states-1st-place) +- [Comprehensive Chinese Summary](https://zhuanlan.zhihu.com/p/675470807) +- [Japanese Presentation](https://speakerdeck.com/unonao/shui-mian-konpe-1st-place-solution) + +### 衰减目标创建 (1st Place approach) +```python +import polars as pl +import numpy as np + +def create_decaying_target(train_df, train_events_df, n_epochs=20): + """ + 创建衰减目标 - 按 tolerance_steps 加权 + epoch 衰减 + + 适用于事件检测任务中标签稀疏的场景 + """ + tolerance_steps = [12, 36, 60, 90, 120, 150, 180, 240, 300, 360] # 1min~30min + target_columns = ["event_onset", "event_wakeup"] + + # Step 1: 按 tolerance 加权创建目标 + train_df = ( + train_df.join(train_events_df.select(["series_id", "step", "event"]), + on=["series_id", "step"], how="left") + .to_dummies(columns=["event"]) + .with_columns( + pl.max_horizontal( + pl.col(target_columns) + .rolling_max(window_size * 2 - 1, min_periods=1, center=True) + .over("series_id") + * (1 - i / len(tolerance_steps)) + for i, window_size in enumerate(tolerance_steps) + ) + ) + ) + + # Step 2: 训练过程中进一步衰减 + def update_targets_epoch(targets, epoch, n_epochs): + """每个 epoch 增加衰减强度""" + return np.where( + targets == 1.0, + 1.0, + (targets - (1.0 / n_epochs)).clip(min=0.0) + ) + + return train_df, update_targets_epoch + +# 使用示例 +# train_df, update_fn = create_decaying_target(train_df, train_events, n_epochs=20) +# for epoch in range(n_epochs): +# targets = update_fn(targets, epoch, n_epochs) +# # 训练... +``` + +### 15/45秒 Tolerance 优化 (1st Place approach) +```python +import numpy as np + +def optimize_tolerance_edges(predictions_2nd_level): + """ + 针对 tolerance 边缘优化 - 使用 15/45 秒时刻 + + 原理：评估 tolerance 为 1,3,5,7.5,10,12.5,15,20,25,30 分钟 + - 预测 hh:mm:00 会导致 tolerance 5,10,15,20,25,30 时边缘漏检 + - 预测 hh:mm:30 会导致 tolerance 7.5,12.5 时边缘漏检 + - 预测 hh:mm:15 或 hh:mm:45 可以覆盖所有 tolerance + """ + # 预测点为每分钟的 15 秒或 45 秒时刻 + # step 格式：hh:mm:15 或 hh:mm:45 + + # Step 1: 计算所有候选点的分数 + def calculate_candidate_scores(predictions): + """计算每个候选点的分数""" + tolerance_steps = [12, 36, 60, 90, 120, 150, 180, 240, 300, 360] + scores = {} + + for candidate_idx in range(len(predictions)): + score = 0 + for tol_step in tolerance_steps: + # 累加 tolerance 范围内的预测值 + start = max(0, candidate_idx - tol_step) + end = min(len(predictions), candidate_idx + tol_step) + score += predictions[start:end].sum() + scores[candidate_idx] = score + + return scores + + # Step 2: Greedy 选择事件 + def greedy_event_selection(predictions, max_events=500): + """ + Greedy 选择事件，每次选择后更新分数 + + 每次选择： + 1. 选择分数最高的点 + 2. 将该点 tolerance 范围内的 ground-truth (0秒点) 预测值设为 0 + 3. 将该点 tolerance 范围内的候选点 (15/45秒点) 分数打折 + """ + selected_events = [] + remaining_predictions = predictions.copy() + + for _ in range(min(max_events, len(predictions) // 12)): + scores = calculate_candidate_scores(remaining_predictions) + best_idx = max(scores, key=scores.get) + selected_events.append(best_idx) + + # 更新剩余预测值（差分更新，加速） + for tol_step in tolerance_steps: + # Ground-truth 候选点 (0秒) -> 设为 0 + start_gt = max(0, best_idx - tol_step) + end_gt = min(len(remaining_predictions), best_idx + tol_step) + remaining_predictions[start_gt:end_gt] = 0 + + # 检测候选点 (15/45秒) -> 分数打折 + # 这里简化处理，实际可以只打折不置零 + + return selected_events + + return greedy_event_selection(predictions_2nd_level) +``` + +### Daily Normalization (1st Place approach) +```python +import numpy as np + +def daily_normalize(predictions, series_ids): + """ + 按天归一化预测值 - 利用每天只有1次 onset + 1次 wakeup 的先验 + + 原理： + - 每天只有 2 个事件（1 onset + 1 wakeup） + - 按天归一化可以使每天的最高预测值具有可比性 + """ + normalized = predictions.copy() + + for series_id in np.unique(series_ids): + mask = series_ids == series_id + daily_preds = predictions[mask] + + # 按天分组（17280 步 = 1 天） + n_days = len(daily_preds) // 17280 + + for day in range(n_days): + start = day * 17280 + end = start + 17280 + day_preds = daily_preds[start:end] + + # 归一化到 [0, 1] + day_min, day_max = day_preds.min(), day_preds.max() + if day_max > day_min: + normalized[mask][start:end] = (day_preds - day_min) / (day_max - day_min) + + return normalized +``` + +### Find Peaks 事件检测 +```python +from scipy.signal import find_peaks + +def detect_events_find_peaks(predictions, score_th=0.005, distance=72): + """ + 使用 find_peaks 检测事件 + + 参数: + predictions: 事件概率预测 (shape: [n_steps]) + score_th: 分数阈值（低于此值不检测） + distance: 最小峰值间隔（步数）72 = 6分钟 + + 返回: + events: 检测到的事件索引列表 + """ + onset_preds = predictions[:, 0] # onset 概率 + wakeup_preds = predictions[:, 1] # wakeup 概率 + + # 检测 onset 峰值 + onset_peaks, _ = find_peaks( + onset_preds, + height=score_th, + distance=distance + ) + + # 检测 wakeup 峰值 + wakeup_peaks, _ = find_peaks( + wakeup_preds, + height=score_th, + distance=distance + ) + + return { + 'onset': onset_peaks, + 'wakeup': wakeup_peaks + } +``` + +### Rolling Mean 平滑 (3rd Place approach) +```python +import numpy as np + +def rolling_mean_smooth(predictions, window=12, center=True): + """ + 使用滚动均值平滑预测结果 + + 参数: + predictions: 原始预测值 + window: 窗口大小（12 = 1分钟） + center: 是否居中 + """ + smoothed = np.zeros_like(predictions) + + for i in range(len(predictions)): + start = max(0, i - window // 2) + end = min(len(predictions), i + window // 2 + 1) + smoothed[i] = predictions[start:end].mean() + + return smoothed + +# 然后检测峰值 +def detect_events_with_smooth(predictions, window=12, distance=72): + """平滑后检测事件""" + smoothed = rolling_mean_smooth(predictions, window=window) + return detect_events_find_peaks(smoothed, distance=distance) +``` + +### 两阶段建模框架 (1st Place approach) +```python +def two_level_modeling(train_series, train_events): + """ + 两阶段建模框架 + + 1st Level: 5秒间隔预测事件概率 + 2nd Level: 1分钟间隔精化预测 + """ + # ==================== 1st Level ==================== + # 输入：5秒间隔的数据 + # 输出：5秒间隔的 onset/wakeup 概率 + + # 1st Level 模型示例 + first_level_models = [ + CNNGRUModel(), # CNN + GRU + CNN + CNNTransformerModel(), # CNN + GRU + Transformer + CNN + LSTMUNetModel(), # LSTM + UNet1d + UNet + # ... 更多模型 + ] + + # 训练 1st level + for model in first_level_models: + model.fit(train_series, train_events) + + # 生成 1st level 预测（5秒间隔） + first_level_preds = [] + for model in first_level_models: + pred = model.predict(train_series) # shape: [n_steps_5sec, 2] + first_level_preds.append(pred) + + # ==================== 2nd Level ==================== + # 输入：1st level 预测 + 原始特征（整合到整分钟） + # 输出：1分钟间隔的 onset/wakeup 概率 + + # 整合 1st level 预测到整分钟 + minute_features = aggregate_to_minute(first_level_preds, train_series) + + # 2nd Level 模型示例 + second_level_models = [ + LightGBMRegressor(), + CatBoostRegressor(), + CNNGRUModel(), + CNNTransformerModel(), + CNNModel() + ] + + # 训练 2nd level + for model in second_level_models: + model.fit(minute_features, train_events) + + # 生成 2nd level 预测（1分钟间隔） + second_level_preds = [] + for model in second_level_models: + pred = model.predict(minute_features) # shape: [n_steps_1min, 2] + second_level_preds.append(pred) + + # ==================== 后处理 ==================== + # Daily normalization + final_preds = np.mean(second_level_preds, axis=0) + final_preds = daily_normalize(final_preds, series_ids) + + # Greedy 事件选择（15/45秒技巧） + events = optimize_tolerance_edges(final_preds) + + return events + +def aggregate_to_minute(first_level_preds, train_series): + """将 5 秒预测整合到 1 分钟""" + # 每个 1 分钟包含 12 个 5 秒步 + n_steps_minute = len(train_series) // 12 + + minute_features = [] + for i in range(n_steps_minute): + start = i * 12 + end = start + 12 + + # 整合 1st level 预测（均值、最大值等） + preds_5sec = [p[start:end] for p in first_level_preds] + + # 整合原始特征（anglez, enmo 的统计量） + raw_feats = train_series[start:end] + + # 合并特征 + minute_feat = np.concatenate([ + np.mean([p.mean(axis=0) for p in preds_5sec], axis=0), # 预测均值 + np.max([p.max(axis=0) for p in preds_5sec], axis=0), # 预测最大值 + raw_feats.mean(axis=0), # 原始特征均值 + raw_feats.std(axis=0), # 原始特征标准差 + ]) + + minute_features.append(minute_feat) + + return np.array(minute_features) +``` + +### 时间序列特征工程 (基线方案) +```python +import pandas as pd +import numpy as np + +def create_sleep_features(series_df): + """ + 创建睡眠检测特征 + + 基于基线方案（银牌）的特征工程 + """ + df = series_df.copy() + + # ========== 传感器特征 ========== + # 平滑 + 一阶差分 + df['enmo_abs_diff'] = df['enmo'].diff().abs() + df['enmo'] = df['enmo_abs_diff'].rolling(window=5, center=True, min_periods=1).mean() + + df['anglez_abs_diff'] = df['anglez'].diff().abs() + df['anglez'] = df['anglez_abs_diff'].rolling(window=5, center=True, min_periods=1).mean() + + # ========== 时间特征 ========== + df['timestamp'] = pd.to_datetime(df['timestamp']) + df['hour'] = df['timestamp'].dt.hour + df['minute'] = df['timestamp'].dt.minute + df['weekday'] = df['timestamp'].dt.weekday + df['is_weekend'] = df['weekday'].isin([5, 6]).astype(int) + + # Sin/Cos 编码（周期性时间） + df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24) + df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24) + + # ========== 滚动特征 ========== + for col in ['enmo', 'anglez']: + for window in [10, 30, 60]: + df[f'{col}_rolling_mean_{window}'] = df[col].rolling(window=window, min_periods=1).mean() + df[f'{col}_rolling_std_{window}'] = df[col].rolling(window=window, min_periods=1).std() + df[f'{col}_rolling_max_{window}'] = df[col].rolling(window=window, min_periods=1).max() + df[f'{col}_rolling_min_{window}'] = df[col].rolling(window=window, min_periods=1).min() + + # ========== 交互特征 ========== + df['anglez_times_enmo'] = df['anglez_abs_diff'] * df['enmo_abs_diff'] + df['anglez_div_enmo'] = df['anglez_abs_diff'] / (df['enmo_abs_diff'] + 1e-6) + + return df +``` + +### 时间序列特征提取 + +| 方法 | 适用场景 | +|------|---------| +| **原始1D CNN** | 保留时序信息 | +| **CWT + 2D CNN** | 需要频域信息 | +| **统计特征** | 传统机器学习 | +| **Wavelet Scattering** | 信号分解 | + +--- + +## Top 10 Solutions Comparison (前 10 名方案对比分析) + +> 基于前 10 名解决方案的横向对比分析，提取共性技术和差异创新 + +### 架构分类总结 + +根据整体解决方案，前 10 名可分为两大架构流派： + +| 架构类型 | 代表排名 | 核心特点 | +|---------|---------|---------| +| **独立编码器** | 2nd, 3rd, 8th | 分别处理 EEG 和 Spectrogram，后期融合 | +| **单一编码器** | 1st, 4th, 5th, 6th, 7th, 9th, 10th | 早期合并信号，统一编码 | + +### 前 3 名详细对比 + +#### 1st Place - Team Sony (yamash, suguuuuu, kfuji, Muku) + +**核心架构：** 多模型集成 (4人独立方案) + +| 成员 | 技术 | Score | +|------|------|-------| +| yamash | 纵向双极导联 + 2D CNN (不同时长) | - | +| suguuuuu | CWT + MaxVIT (Morlet 小波) | - | +| kfuji | CWT + MaxVIT (Paul 小波) | - | +| Muku | 1D CNN 特征 + Superlet CWT + SwinV2 | CV: 0.2229 | + +**关键技术：** +- CWT (0.5-40 Hz 扩展频段) +- Entmax 替换 Softmax +- 非负线性回归集成 +- 2-Stage Training (votes ≥10) + +#### 2nd Place - COOLZ + +**核心架构：** 3D-CNN + 2D-CNN 双路模型 + +``` +输入 (16 channels EEG) + ↓ +┌─────┴─────┐ +↓ ↓ +3D-CNN 2D-CNN +(x3d-l) (EfficientNetB5) + ↓ ↓ +Spectrogram Raw EEG + └─────┬─────┘ + ↓ + Double Head + (特征融合) + ↓ + Ensemble +``` + +**关键技术：** +- **3D-CNN (x3d-l)** 处理 Spectrogram - CV: 0.21, PB: 0.25 +- **2D-CNN (EfficientNetB5)** 处理 Raw EEG - PB: 0.28 +- **双特征头**：EEG + Spectrum 特征融合 +- **不同滤波器**：MNE vs scipy.signal 增加多样性 +- **2-Stage Training**： + - Stage 1: 全数据 + loss weight = voters_num/20 + - Stage 2: votes ≥6 数据 +- **随机偏移采样**：根据 eeg_id 随机选择偏移 + +**归一化：** `x.clip(-1024, 1024) / 32` + +**最终集成权重：** [0.1, 0.1, 0.2, 0.2, 0.2, 0.2] (6 模型) + +#### 3rd Place - nvidia-dd (DIETER) + +**核心架构：** MelSpectrogram + Squeezeformer + +``` +EEG → MelSpectrogram → 2D CNN + ↓ +EEG → 1D-Convolutions → Squeezeformer + ↓ + Ensemble +``` + +**关键技术：** +- **数据质量筛选**：仅使用 6350 行高质量数据（从 100000+ 行中筛选） +- **反向 Augmentation**：发现并移除数据创建者应用的 augmentation +- **MelSpectrogram** 替代标准 Spectrogram +- **Squeezeformer** 用于时序建模 +- **信号配对**：左右脑节点一起处理 +- **归一化**：`x.clip(-1024, 1024) / 32` + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **带通滤波 (0.5-20/40 Hz)** | 1st, 2nd, 3rd | 几乎所有高分者使用 | +| **Clip 归一化** | 1st, 2nd, 3rd | `x.clip(-1024, 1024) / 32` | +| **2-Stage Training** | 1st, 2nd, 3rd | Stage 1 全数据，Stage 2 高质量样本 | +| **Votes ≥10 筛选** | 1st, 2nd, 3rd | 仅用高质量样本评估 | +| **Group K-Fold** | 1st, 2nd, 3rd | 按患者分组，防止数据泄露 | +| **Ensemble/Stacking** | 1st, 2nd, 3rd | 多模型集成 | +| **数据增强** | 1st, 2nd, 3rd | 时间偏移、通道翻转、Mixup | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st - Sony** | Entmax 替换 Softmax | LB +0.004 提升 | +| **1st - Sony** | Superlet CWT | 最高时频分辨率 | +| **2nd - COOLZ** | 3D-CNN 处理 Spectrogram | 保留通道位置信息 | +| **2nd - COOLZ** | 双特征头 (EEG + Spectrum) | 多模态融合 | +| **3rd - nvidia-dd** | 数据质量筛选 (6350→100000) | 性能提升显著 | +| **3rd - nvidia-dd** | 反向 Augmentation | 数据纯净度提升 | +| **4th - Cerberus** | 左右对称对比学习 | 位置编码 | +| **9th - ishikei** | Contrastive Learning | 特征对比 | + +### 归一化方法对比 + +| 方法 | 支持者 | 效果 | +|------|--------|------| +| **`x.clip(-1024, 1024) / 32`** | 1st, 2nd, 3rd | 最佳选择 | +| **MAD 归一化** | 3rd | 对异常值更鲁棒 | +| **Batch/Sample 归一化** | 部分尝试者 | 效果不佳 (3rd 发现) | +| **Standardize** | 低排名者 | 不推荐 | + +### 时频变换方法对比 + +| 方法 | 使用排名 | 优点 | 缺点 | +|------|---------|------|------| +| **CWT** | 1st, 4th, 5th, 6th | 多分辨率，适合非平稳信号 | 需选择小波 | +| **Superlet CWT** | 1st | 最高分辨率 | 计算成本高 | +| **MelSpectrogram** | 2nd, 3rd | 人耳感知特性 | 频率分辨率固定 | +| **STFT** | 7th, 8th, 10th | 简单易实现 | 时频权衡 | + +### 集成策略对比 + +| 排名 | 集成方法 | 模型数 | 权重确定 | +|------|---------|--------|---------| +| **1st** | 非负线性回归 | 6 (4人) | 自动学习 | +| **2nd** | 加权平均 | 6 | 手动调参 | +| **3rd** | 简单平均 | 多个 | 均等权重 | + +### 验证策略对比 + +| 策略 | 使用排名 | Votes 阈值 | 说明 | +|------|---------|------------|------| +| **≥10** | 1st, 2nd, 3rd | ≥10 | 专家 vs 大众一致意见 | +| **≥6** | 2nd | ≥6 | 较宽松 | +| **≥9** | 部分 | ≥9 | 接近专家标准 | +| **加权** | 部分 | 按投票数加权 | 少投票获得更高正则化 | + +### 频率范围选择 + +| 范围 | 使用排名 | 应用场景 | +|------|---------|---------| +| **0.5-20 Hz** | 标准, 2nd | Kaggle 默认 | +| **0.5-40 Hz** | 1st (suguuuuu) | 扩展信息，更佳结果 | +| **0.5-50 Hz** | 部分 | 包含更多高频信息 | + +### 训练 Epoch 配置 + +| 排名 | Stage 1 | Stage 2 | 说明 | +|------|---------|---------|------| +| **1st** | 5 epochs | 15 epochs | 保守选择 | +| **2nd** | 15 epochs | 5 epochs | 更长 Stage 1 | +| **3rd** | - | - | 单阶段或灵活配置 | + +### 最佳实践总结 + +基于前 10 名对比分析，以下技术是获胜的关键： + +#### 必选项（银弹技术） +1. **带通滤波 (0.5-20/40 Hz)** +2. **Clip 归一化**：`x.clip(-1024, 1024) / 32` +3. **2-Stage Training**：Stage 1 全数据，Stage 2 高质量样本 +4. **Votes ≥10 筛选**：仅用高质量样本评估 +5. **Group K-Fold**：按患者分组 +6. **Ensemble**：至少 3+ 模型集成 + +#### 推荐选项（根据情况选择） +- **时频分析**：CWT (最佳) > MelSpectrogram > STFT +- **归一化**：clip/32 (最佳) > MAD > batch/sample normalize +- **集成方法**：非负线性回归 (最佳) > 加权平均 > 简单平均 +- **模型架构**：根据数据特征选择 1D/2D/3D CNN + +#### 创新方向 +- **数据质量**：反向 Augmentation，质量筛选 +- **稀疏激活**：Entmax 替换 Softmax +- **位置编码**：3D-CNN 保留通道信息，左右对称对比 +- **特征融合**：双特征头，多模态集成 + +--- + +## Child Mind Institute - Top 10 Solutions Comparison + +> 基于前 10 名解决方案的横向对比分析，提取共性技术和差异创新 + +### 竞赛特点总结 + +与 HMS 不同，这是一个**事件检测任务**，核心挑战包括： +- **稀疏标注**：17280 步中仅 2 步有标签（0.01%） +- **分钟偏差**：真实事件总是发生在 hh:mm:00 +- **未标注事件**：存在周期性重复数据（缺失标签） +- **多 Tolerance AP**：需要同时优化多个容差窗口 + +### 前 3 名详细对比 + +#### 1st Place - shimacos vs sakami vs kami (kami, sakami0000, shimacos) + +**核心架构：** 两阶段建模 + Greedy 后处理优化 + +``` +1st Level (5秒间隔) + CNN+GRU+CNN, CNN+GRU+Transformer+CNN, + LSTM+UNet1d+UNet, LSTM+UNet1d+UNet, 1dCNN+UNet1d+Transformer + ↓ +2nd Level (1分钟间隔) + LightGBM, CatBoost, CNN+GRU, CNN+Transformer, CNN + ↓ +Post Processing (15/45秒技巧) + Daily Normalize → Greedy Search → Final Events +``` + +**关键技术：** +- **两阶段建模**：5秒检测 + 1分钟精化 +- **衰减目标**：按 tolerance_steps 加权 + epoch 衰减 +- **15/45秒技巧**：针对 tolerance 边缘优化 +- **Daily Normalization**：按天归一化 2nd level 预测 +- **Greedy 后处理**：针对 AP 指标的 greedy search + +**效果：** Public LB: 0.768 (18th) → Private LB: 0.852 (1st) + +#### 2nd Place - K-Mat + +**核心架构：** 三阶段建模 + Error Modeling + +``` +Stage 1: 事件检测 + 睡眠/清醒分类 + 多个模型预测 onset/wakeup/asleep 概率 + ↓ +Stage 2: Error Modeling (LGBM) + 基于 1st level 预测，计算 Error → Correctness → Target + 将分数差分转为分类任务 + ↓ +Stage 3: 时刻偏移 + WBF 融合 + 对 step 做时刻偏移，重新预测 + 用 WBF 整合结果 +``` + +**关键技术：** +- **Error Modeling**：将差分变化转为分类标签 +- **三阶段架构**：检测 → 重打分 → 偏移 +- **Minute Embedding**：将 minute_embedding 残差连接到输出层 +- **时刻偏移**：应对 15 分钟周期模式 +- **WBF 融合**：Weighted Box Fusion + +#### 3rd Place - cucutzik + +**核心架构：** 简洁干净的 GRU + UNET + LGB 集成 + +**关键技术：** +- **频率编码**：hour_min_onset, hour_min_wakeup +- **序列反转增强**：反转所有序列，CV +0.01 +- **目标扩展**：event step 前加2步，后加1步 +- **模型融合**：GRU (0.68) + UNET (0.2) + LGB (0.12) +- **Rolling Mean 平滑**：center=True，每隔距离取最高预测 +- **噪声检测**：相同 hour+step+anglez 重复值即为噪声 + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **两阶段建模** | 1st, 2nd | 5秒检测 → 1分钟精化 | +| **分钟偏差处理** | 1st, 2nd, 3rd, 5th, 6th | 事件总是发生在整分钟 | +| **多模型集成** | 1st, 2nd, 3rd | 至少 5+ 模型 | +| **Daily Normalization** | 1st, 3rd | 按天归一化预测值 | +| **后处理优化** | 1st, 2nd, 3rd | find_peaks, NMS, greedy search | +| **多任务学习** | 2nd, 4th | onset, wakeup, asleep | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st** | 15/45秒技巧 | Public 18th → Private 1st | +| **1st** | 衰减目标 + epoch 衰减 | 使峰值更尖锐 | +| **1st** | Daily Normalization | 利用每天只有2次活动的先验 | +| **2nd** | Error Modeling | 将差分转为分类标签 | +| **2nd** | Minute Embedding | 残差连接到输出层 | +| **3rd** | 序列反转增强 | CV +0.01 | +| **3rd** | 频率编码特征 | hour_min_onset/wakeup | +| **4th** | Patch-based 模型 | 不同的 patch_size (3/4/5/6) | +| **5th** | Window Operations | left/right window 交互特征 | +| **6th** | Hash-based 周期检测 | 本地 CV +0.015 | + +### 分钟偏差处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **Minute Embedding** | 1st | 残差连接到输出层 | +| **频率编码** | 3rd | hour_min_onset, hour_min_wakeup | +| **Step 偏移** | 2nd | 偏移 step 重新预测 + WBF | +| **标签偏移** | 5th | target shift ~-11 步 | +| **特征工程** | 6th | `(step // 12) % 15` | + +### 未标注事件处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **周期性检测** | 1st | 降采样 + 相似度计算，标记日周期性 | +| **噪声检测** | 3rd | 相同 hour+step+anglez 重复值 | +| **样本加权** | 5th | 训练时权重设为 0 | +| **Hash 算法** | 6th | 散列和散列图查找重复模式 | +| **过滤序列** | 大部分 | 剔除未标注 events 出现多的序列 | + +### 后处理策略对比 + +| 排名 | 方法 | 参数 | 效果 | +|------|------|------|------| +| **1st** | Greedy + 15/45秒 | 500次迭代 | Public 18th → Private 1st | +| **2nd** | Step偏移 + WBF | 多个偏移量 | 显著提升 | +| **3rd** | Rolling Mean + find_peaks | window=12, distance=72 | 清晰方案 | +| **基线** | find_peaks + NMS | distance=72, IOU=0.995 | 银牌基础 | + +### 1st Level 模型对比 + +| 排名 | 模型数量 | 模型类型 | 集成方式 | +|------|---------|---------|---------| +| **1st** | 5 | CNN+GRU, CNN+Transformer, LSTM+UNet 等 | 加权平均 | +| **2nd** | 多个 | Spec2DCNN, PANNs, Transformer 等 | 融合后处理 | +| **3rd** | 10 | 8个GRU + 2个UNET | GRU 0.68 + UNET 0.2 + LGB 0.12 | + +### 2nd Level 模型对比 + +| 排名 | 模型类型 | 输入特征 | 说明 | +|------|---------|---------|------| +| **1st** | LGB, CatBoost, CNN+GRU 等 | 1st level 预测 + 原始特征 | 整合到整分钟 | +| **2nd** | LGBM | Error, Correctness, Top-k Accuracy | 重新打分 | +| **3rd** | LGB | 1st level 预测 | 加权融合 | + +### 数据增强策略对比 + +| 方法 | 使用排名 | 效果 | +|------|---------|------| +| **序列反转** | 3rd | CV +0.01 | +| **时间偏移** | 基线 | 标准增强 | +| **标签扩展** | 3rd | 前2步+后1步 | +| **周期性特征** | 1st | 日周期 flag | + +### 验证策略对比 + +| 策略 | 使用排名 | 说明 | +|------|---------|------| +| **Group K-Fold** | 1st, 2nd, 3rd | 按 series_id 分组 | +| **Stratified (事件数)** | 1st | 事件数 qcut(10) 分层 | +| **全部 fold 训练** | 1st | 单 fold 结果不稳定，需全 fold | +| **Trust CV** | 1st | Public 数据少且分布相似 | + +### 最佳实践总结 + +基于前 10 名对比分析，以下技术是获胜的关键： + +#### 必选项（银弹技术） +1. **两阶段建模**：5秒检测 → 1分钟精化 +2. **分钟偏差处理**：使用 minute 相关特征 +3. **Daily Normalization**：按天归一化预测值 +4. **多模型集成**：至少 5+ 模型 +5. **后处理优化**：find_peaks, NMS, greedy search +6. **Group K-Fold**：按 series_id 分组 + +#### 推荐选项（根据情况选择） +- **后处理方法**：Greedy (最佳) > WBF > NMS > find_peaks +- **2nd level 模型**：LGB/CatBoost > Neural Networks +- **分钟偏差处理**：Minute Embedding (最佳) > 频率编码 > step 偏移 +- **数据增强**：序列反转 > 时间偏移 + +#### 创新方向 +- **评估指标优化**：针对 tolerance 的 greedy search +- **Error Modeling**：将差分转为分类标签 +- **衰减目标**：按 tolerance 加权 + epoch 衰减 +- **周期性检测**：识别未标注 events + +--- + +## CMI - Detect Behavior with Sensor Data - Top 10 Solutions Comparison + +> 基于日语总结和前排方案的综合分析，提取共性技术和差异创新 + +### 竞赛特点总结 + +与之前竞赛不同，这是一个**多模态时序行为识别**任务，核心挑战包括： +- **多模态传感器融合**：IMU + THM + TOF +- **严重数据缺失**：TOF 约 60% 缺失（-1），THM 约 3-4% 缺失 +- **细粒度分类**：18 个手势类别，区分 BFRB vs 日常动作 +- **个体约束**：每个 subject × gesture × orientation 只出现一次 +- **测试集变化**：约 50% 序列仅有 IMU 数据 + +### 前 3 名详细对比 + +#### 1st Place - Devin | Ogurtsov | zyz (Andrey Ogurtsov, Devin, zyz) + +**核心架构：** 多成员协作 + 多模型集成 + +``` +Devin's part: + TOF 处理: 2×2 正方形 9 个区域平均 + TOF-only 模型也加入集成 + +Ogurtsov's part: + 数据清理: 删除 gesture 不存在的序列 + 特征工程: 从 acc（去除重力后）提取 35 个特征 + 模型: LSTM, Attention, CNN 组合 + 增强: timeshift, timistretch + 集成: 每 Fold 选择 3 run 中最佳结果 + 推理: 序列延伸降低模型相关性 + +zyz part: + RNN + CNN1D 组合 +``` + +**关键技术：** +- **TOF 图像化**：2×2 正方形 9 个区域平均降维 +- **TOF-only 集成**：单独使用 TOF 数据的模型也加入集成 +- **数据清理**：删除无效序列（如 SUBJ_019262, SUBJ_045235） +- **特征工程**：35 个特征从 acc（去除重力后）提取 +- **多模型集成**：LSTM + Attention + CNN 组合 +- **推理优化**：序列延伸降低模型相关性，提升集成效果 + +#### 2nd Place - cucutzik + +**核心架构：** 4 模型系统 + 阶段感知 Attention + +``` +4 个独立模型: + IMU rotation 缺失/存在 × THM/TOF 缺失/存在 = 4 组合 + +核心创新: + 四元数 6D 表现 (避免不连续性) + Residual SE-CNN Block + Attention + +关键技巧: + 阶段感知 Attention: + 预测 3 类阶段概率 (移动中/目标位置/手势执行中) + 每个阶段独立 Attention，概率加权 + 相位 Mixup: + 按阶段分割序列 + 同阶段内进行 Mixup + "moves to target" 阶段对齐结束点 + Pseudo Label: + 测试数据生成 pseudo-label + 小 LR (5e-5) 1 step fine-tune + +后处理: + 匈牙利算法全局最优标签分配 + 约束: subject × gesture × orientation 唯一性 +``` + +**关键技术：** +- **四元数 6D 表现**：避免四元数不连续性问题 +- **阶段感知 Attention**：分阶段独立建模和加权 +- **相位 Mixup**：按阶段分割后同阶段内 Mixup +- **Pseudo Label**：测试数据生成伪标签进行微调 +- **匈牙利算法**：全局最优标签分配（利用个体约束） + +#### 3rd Place - Team RIST + +**核心架构：** 2D-CNN + 图像化时序 + +``` +数据预处理: + 四元数平滑处理 + 符号反转扩展 + Block 扩展 + +模型: + MaxViT, ConvNeXt-V2, EfficientNetB5 等 2D-CNN + 输入: 适当尺寸的图像 + +增强: + 世界坐标系 Z 轴旋转 (-60° 到 60°) + 本地坐标系 Y 轴旋转 (-7° 到 7°) + +后处理: + 匈牙利算法全局最优标签分配 +``` + +**关键技术：** +- **时序图像化**：时序数据转换为图像，使用 2D-CNN +- **四元数处理**：平滑、符号反转、Block 扩展 +- **双重旋转增强**：世界坐标 + 本地坐标旋转 +- **多 2D-CNN 集成**：MaxViT + ConvNeXt + EfficientNetB5 + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **个体约束利用** | 1st, 2nd, 3rd, 4th | subject × gesture × orientation 唯一性 | +| **数据增强** | 1st, 2nd, 3rd, 4th, 6th... | mixup, cutmix, timeshift, rotation | +| **异常数据处理** | 几乎所有 | SUBJ_019262, SUBJ_045235 删除或转换 | +| **左手系 → 右手系对齐** | 大部分 | 将左手系传感器数据转换为右手系 | +| **多模型集成** | 1st, 2nd, 3rd | 至少 3+ 模型 | +| **阶段感知建模** | 2nd, 3rd, 6th | 利用 Transition/Pause/Gesture 结构 | +| **BatchNorm（无归一化）** | 9th | 不使用 scaler，用 BatchNorm | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st** | TOF 图像化（2×2 区域平均） | 简化 TOF 处理 | +| **1st** | TOF-only 模型集成 | 单独 TOF 也有价值 | +| **1st** | 序列延伸推理 | 降低模型相关性 | +| **2nd** | 四元数 6D 表现 | 避免不连续性 | +| **2nd** | 阶段感知 Attention | 分阶段独立建模 | +| **2nd** | 相位 Mixup | 同阶段内 Mixup，对齐结束点 | +| **2nd** | Pseudo Label fine-tune | 测试数据微调 | +| **3rd** | 时序转图像 | 使用 2D-CNN 处理 | +| **3rd** | 双重旋转增强 | 世界坐标 + 本地坐标 | +| **6th** | gesture segment U-Net | 估计手势时间段 | +| **9th** | 正向 + 反向模型 | 同时训练标准分类和反向分类 | +| **13th** | 双向 Mamba | 长期时序依赖建模 | +| **13th** | Hard Margin Loss | 针对困难样本的损失 | +| **13th** | Hard Mining | 困难样本采样率提升 | + +## Child Mind Institute - 数据洞察与分析 + +### 数据特征理解 + +#### 极度稀疏的标签 + +**发现：** 17280 步（24小时）中仅有 2 步有标签 +- **标签密度**：0.01%（1/10000） +- **事件类型**：onset（入睡）+ wakeup（觉醒） +- **标注粒度**：每夜 1 个 onset + 1 个 wakeup + +**含义：** +- 传统逐帧分类方法不适用 +- 需要特殊的目标创建策略（衰减目标） +- 后处理比模型预测更重要 +- 数据增强对缓解稀疏性至关重要 + +**策略：** +- **衰减目标**：按 tolerance_steps 创建衰减的标签分布 +- **多任务学习**：同时预测 onset, wakeup, asleep +- **后处理优化**：find_peaks, NMS, greedy search +- **数据增强**：序列反转、时间偏移等 + +#### 分钟偏差模式 + +**发现：** 真实事件总是发生在 hh:mm:00 整分钟时刻 + +**数据分布（YOURI MATIOUNINE 发现）：** +``` +标签分钟数 % 15 的分布： +- 0分钟：明显峰值 +- 3分钟：明显峰值 +- 7分钟：明显峰值 +- 11分钟：明显峰值 +- 其他分钟：很少出现 +``` + +**含义：** +- 手动标注导致精度有限 +- 存在 15 分钟的周期性模式 +- 模型应该学习这种模式 + +**策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | Minute Embedding | 残差连接到输出层 | +| **2nd** | Step 偏移 | 对预测 step 做偏移后重新预测 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | +| **5th** | 标签偏移 | target shift ~-11 步 | +| **6th** | 特征工程 | `(step // 12) % 15` | + +#### 未标注事件问题 + +**发现（YOURI MATIOUNINE）：** 很多序列有明显的 events 未被标注 + +**两类情况：** +1. **日周期性重复**：缺失 events 的夜晚跟前 24 小时数据完全一样 + - 推测：组织方用历史正常数据填补了缺失数据 +2. **无法解释的缺失**：没有明显规律的缺失标注 + +**处理策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | 周期性检测 + flag | 降采样 + 相似度计算，标记日周期性 | +| **3rd** | 噪声检测 | 相同 hour+step+anglez 重复值即为噪声 | +| **5th** | 样本加权 | 训练时权重设为 0 | +| **6th** | Hash 算法 | 散列和散列图查找重复模式，本地 CV +0.015 | +| **大部分** | 过滤序列 | 剔除未标注 events 出现多的序列 | + +**1st Place 的周期性检测方法：** +```python +def detect_periodicity(series): + """检测 24 小时周期性重复""" + # 1. 降采样 + downsampled = series[::12] # 5秒 → 1分钟 + + # 2. 分割序列（按天） + n_days = len(downsampled) // 1440 # 1440 = 24小时 + daily_chunks = [downsampled[i*1440:(i+1)*1440] for i in range(n_days)] + + # 3. 计算相邻天的相似度 + for i in range(n_days - 1): + # 方法1: 元素级比较 + similarity = np.mean(daily_chunks[i] == daily_chunks[i+1]) + + # 方法2: 余弦相似度 + cos_sim = np.dot(daily_chunks[i], daily_chunks[i+1]) / ( + np.linalg.norm(daily_chunks[i]) * np.linalg.norm(daily_chunks[i+1]) + ) + + if similarity > threshold or cos_sim > threshold: + return True # 检测到周期性 + + return False +``` + +#### 多 Tolerance AP 评估指标 + +**评估方式：** +```python +tolerances = [1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30] # 分钟 +# 对每个 tolerance，计算 AP +# 最终分数 = mean(各tolerance AP) × mean(onset AP, wakeup AP) +``` + +**关键洞察（1st Place）：** +- **预测 hh:mm:00 不好**：tolerance 5,10,15,20,25,30 时边缘漏检 +- **预测 hh:mm:30 不好**：tolerance 7.5, 12.5 时边缘漏检 +- **预测 hh:mm:15 或 hh:mm:45 最佳**：覆盖所有 tolerance + +**原理示意：** +``` +00:23:15 ← 检测事件（15秒） + ← tolerance 7.5 分 → +00:23:00 ← 真实事件（0秒） + ← tolerance 7.5 分 → +00:22:45 + +如果检测事件在 00:23:00，则 tolerance 7.5 的右边缘会漏检 +如果检测事件在 00:23:15 或 00:22:45，则正好覆盖 +``` + +#### 15分钟周期性模式 + +**发现：** events 以 15 分钟为周期重复出现 + +**数据分布：** +- **峰值分钟**：0, 3, 7, 11（间隔 3-4 分钟） +- **周期**：15 分钟 +- **含义**：可能与定时检查或记录习惯有关 + +**应对策略：** +| 排名 | 策略 | 说明 | +|------|------|------| +| **1st** | 15/45秒技巧 | 无论 1-29秒 还是31-59秒，选15/45秒代表 | +| **2nd** | Step偏移 | 对step做多个偏移，覆盖所有可能时刻 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **周期性重复** | 降采样+相似度 | 与前24小时完全相同 | 标记 periodicity flag | +| **噪声重复** | hour+step+anglez计数 | 重复值>1 | 标记 noise | +| **未标注events** | 统计每夜events数 | <2 events | 过滤或降权 | +| **数据异常** | enmo统计 | enmo值异常大 | clip到1 | + +### 关键数据洞察总结 + +1. **极度稀疏标签**：需要衰减目标和后处理优化 +2. **分钟偏差是关键**：所有前排方案都处理了这个问题 +3. **未标注events普遍存在**：周期性检测可识别 +4. **多tolerance AP需要特殊优化**：15/45秒技巧是制胜关键 +5. **评估指标与数据分布不匹配**：需要针对tolerance优化 +6. **Daily Normalization有效**：利用每天只有2次活动的先验 +7. **15分钟周期性模式**：step偏移或频率编码可利用 + +### 事件检测任务的最佳实践 + +与分类任务不同，事件检测任务的特殊考虑： + +| 方面 | 分类任务 | 事件检测任务 | +|------|---------|-------------| +| **目标创建** | 单标签 | 衰减目标（按tolerance加权） | +| **评估指标** | Accuracy/F1 | 多tolerance AP | +| **后处理** | Threshold | find_peaks, NMS, Greedy | +| **模型集成** | 概率平均 | 两阶段建模 | +| **验证策略** | K-Fold | Group K-Fold + 全fold训练 | + +--- + +## CMI - Detect Behavior 数据洞察与分析 + +### 数据特征理解 + +#### 多模态传感器数据 + +**三种传感器类型：** + +| 传感器 | 数据维度 | 特征 | 缺失率 | +|-------|---------|------|--------| +| **IMU** | 加速度计(x,y,z) + 陀螺仪(x,y,z) | 运动和旋转 | 无缺失 | +| **THM** | 5个温度传感器 | 温度分布 | ~3-4% | +| **TOF** | 5个8×8传感器阵列 | 距离映射 | ~60% | + +**IMU (Inertial Measurement Unit)：** +- 6 列：`X_accel`, `Y_accel`, `Z_accel`, `X_gyro`, `Y_gyro`, `Z_gyro` +- **重力分量**：加速度计包含重力，需去除 +- **四元数**：`orientation_X`, `orientation_Y`, `orientation_Z`, `orientation_W` + - 表示设备旋转姿态 + - **不连续性问题**：四元数在表示相同旋转时有多个值（q和-q表示相同旋转） + - **解决方案**：使用旋转矩阵前两列（6D连续表示） + +**THM (Thermopile)：** +- 5 列：`thermopile_0` ~ `thermopile_4` +- 温度传感器，用于检测物体接近 +- **缺失标记**：-1 表示缺失 +- **缺失率较低**：约3-4% + +**TOF (Time-of-Flight)：** +- 320 列：`tof_0` ~ `tof_319`（5个8×8阵列） +- 距离传感器，检测物体到设备距离 +- **缺失标记**：-1 表示缺失 +- **缺失严重**：约60%的数据为-1 +- **图像化处理**：将8×8阵列降采样为2×2特征图（1st Place创新） + +#### 严重数据缺失问题 + +**缺失分布：** +``` +TOF: ~60% 缺失 (-1 标记) +THM: ~3-4% 缺失 (-1 标记) +IMU: 无缺失 +``` + +**前排处理策略：** + +| 排名 | TOF 处理 | THM 处理 | +|------|---------|---------| +| **1st** | 2×2 pooling后标记缺失mask | 简单插值或mask | +| **2nd** | 特征工程提取有效点统计量 | 类似TOF处理 | +| **3rd** | 转图像，缺失填0 | 不使用或简单处理 | +| **其他** | 丢弃或mask | 丢弃或mask | + +**1st Place 的 TOF 处理创新：** +```python +def tof_2x2_pooling_with_mask(tof_data): + """ + TOF 数据 2×2 pooling + 缺失 mask + """ + # 每个 8×8 传感器 + for sensor_idx in range(5): + sensor = tof_data[:, sensor_idx*64:(sensor_idx+1)*64] + sensor = sensor.reshape(-1, 8, 8) + + # 2×2 pooling + pooled = sensor.reshape(-1, 4, 2, 2).mean(axis=(2, 3)) + + # 缺失 mask + mask = (sensor == -1).reshape(-1, 4, 2, 2).any(axis=(2, 3)) + + # 组合：特征 + mask + features[:, sensor_idx*4:(sensor_idx+1)*4] = pooled + features[:, 20+sensor_idx*4:20+(sensor_idx+1)*4] = mask + + return features +``` + +#### 个体约束利用 + +**关键约束：** 每个 subject × gesture × orientation 组合只出现一次 + +**含义：** +- 训练集中没有重复的 subject × gesture × orientation +- 验证时可以确保预测结果也满足这个约束 +- 可以用匈牙利算法做全局最优标签分配 + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **1st** | 匈牙利算法 | 全局最优分配，提升 LB 0.01 | +| **2nd** | 阶段感知建模 | 利用三阶段结构 | +| **其他** | 个体特征 embedding | 添加 subject embedding | + +**匈牙利算法实现（1st Place）：** +```python +from scipy.optimize import linear_sum_assignment + +def hungarian_post_process(predictions, subject_ids, sequence_ids): + """ + 利用 subject × gesture × orientation 唯一约束 + """ + # 对于每个 subject + for subject in unique(subject_ids): + # 获取该 subject 的所有预测 + mask = subject_ids == subject + preds = predictions[mask] + seqs = sequence_ids[mask] + + # 构建代价矩阵：-log(概率) + cost_matrix = -np.log(preds + 1e-10) + + # 匈牙利算法：找到最优分配 + row_ind, col_ind = linear_sum_assignment(cost_matrix) + + # 更新预测结果 + for i, j in zip(row_ind, col_ind): + predictions[mask][i] = np.zeros(n_classes) + predictions[mask][i][j] = 1.0 + + return predictions +``` + +#### 三阶段结构 + +**发现：** 行为序列有明显的三阶段结构 + +``` +Transition → Pause → Gesture +``` + +**阶段特征：** + +| 阶段 | 持续时间 | 特征 | 识别要点 | +|------|---------|------|---------| +| **Transition** | 变化 | 从上一个状态移动到手势位置 | 运动幅度大 | +| **Pause** | 短暂 | 手势开始前的准备 | 运动幅度小 | +| **Gesture** | 重复 | 核心行为模式（如咬指甲） | 周期性模式 | + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **2nd** | 阶段感知 Attention | 每个阶段独立的 attention 权重 | +| **6th** | U-Net分割 | 将手势阶段作为分割任务 | +| **其他** | 特征工程 | 添加阶段分类特征 | + +**2nd Place 阶段感知 Attention：** +```python +class PhaseAwareAttention(nn.Module): + """ + 阶段感知 Attention - 每个阶段独立建模 + """ + def __init__(self, d_model, n_heads=8): + super().__init__() + # 3个阶段 embedding + self.phase_emb = nn.Embedding(3, d_model) + + # 每个阶段独立的 attention + self.transition_attn = nn.MultiheadAttention(d_model, n_heads) + self.pause_attn = nn.MultiheadAttention(d_model, n_heads) + self.gesture_attn = nn.MultiheadAttention(d_model, n_heads) + + def forward(self, x, phase_labels): + # phase_labels: [batch, seq_len] ∈ {0, 1, 2} + batch, seq_len, d_model = x.shape + + outputs = [] + for t in range(seq_len): + phase = phase_labels[:, t] # [batch] + + if phase == 0: # Transition + attn_out, _ = self.transition_attn(x[:, t:t+1], x, x) + elif phase == 1: # Pause + attn_out, _ = self.pause_attn(x[:, t:t+1], x, x) + else: # Gesture + attn_out, _ = self.gesture_attn(x[:, t:t+1], x, x) + + outputs.append(attn_out) + + return torch.cat(outputs, dim=1) +``` + +#### BFRB vs 非BFRB 类别分布 + +**18个手势类别：** + +| 类别 | BFRB类型 | 典型行为 | +|------|---------|---------| +| 0-7 | BFRB | 咬指甲、拉头发、抠皮肤等 | +| 8-17 | 非BFRB | 拍手、挥手、其他手势 | + +**分布特点：** +- **训练集**：BFRB 和非BFRB 数量相近 +- **个体差异**：不同 subject 的手势偏好不同 +- **方向差异**：同一手势不同方向的表现不同 + +**处理策略：** +- **Phase-aware Mixup**：仅在 Gesture 阶段进行 mixup（2nd Place） +- **个体 normalization**：按 subject 做归一化 +- **类别平衡**：确保每个类别有足够样本 + +#### 测试集变化 + +**关键发现：** 测试集约50%的序列仅有 IMU 数据 + +**含义：** +- 不能过度依赖 TOF 和 THM 特征 +- 模型必须能够仅用 IMU 数据做出预测 +- 需要训练仅用 IMU 的模型作为集成成员 + +**前排应对策略：** + +| 排名 | 应对方法 | +|------|---------| +| **1st** | 训练IMU-only模型，集成时加权 | +| **2nd** | 4个模型：IMU-only, IMU+TOF, IMU+THM, All | +| **3rd** | TOF填0处理，但效果受限 | +| **其他** | 简单丢弃缺失传感器 | + +**推荐策略：** +```python +# 训练时模拟测试集情况 +def get_model_input(data): + """ + 根据可用传感器选择模型输入 + """ + has_tof = (data['tof'] != -1).any() + has_thm = (data['thm'] != -1).any() + + if has_tof and has_thm: + return model_all(data['imu'], data['tof'], data['thm']) + elif has_tof: + return model_imu_tof(data['imu'], data['tof']) + elif has_thm: + return model_imu_thm(data['imu'], data['thm']) + else: + return model_imu(data['imu']) +``` + +#### 异常数据识别 + +**两个异常 subject：** + +| Subject | 问题 | 处理策略 | +|---------|------|---------| +| **SUBJ_019262** | 数据异常，预测困难 | 训练时过滤或降权 | +| **SUBJ_045235** | 数据异常，预测困难 | 训练时过滤或降权 | + +**识别方法：** +- 训练集上该 subject 的 loss 异常高 +- 交叉验证该 subject 的预测准确率低 +- 可视化该 subject 的传感器数据，发现异常模式 + +**处理代码：** +```python +# 异常 subject 黑名单 +ANOMALY_SUBJECTS = ['SUBJ_019262', 'SUBJ_045235'] + +def filter_anomaly_subjects(dataframe): + """ + 过滤异常 subject + """ + mask = ~dataframe['subject'].isin(ANOMALY_SUBJECTS) + return dataframe[mask] +``` + +#### 左手系 vs 右手系对齐 + +**发现：** 测试集存在左手和右手两种设备朝向 + +**问题：** +- 左手系和右手系的传感器读数方向相反 +- 四元数表示旋转的方式不同 +- 直接混合训练会引入噪声 + +**解决方案（前排通用）：** +```python +def align_right_handed_system(data): + """ + 左手系 → 右手系对齐 + """ + # 翻转陀螺仪的 x, y 轴 + data['X_gyro'] = -data['X_gyro'] + data['Y_gyro'] = -data['Y_gyro'] + + # 调整四元数（取决于具体定义） + # 这里假设是绕 z 轴旋转 180 度 + data['orientation_X'] = -data['orientation_X'] + data['orientation_Y'] = -data['orientation_Y'] + + return data +``` + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **传感器缺失** | 统计-1值比例 | TOF>50%, THM>5% | mask处理或训练IMU-only模型 | +| **异常subject** | 按subject统计loss | loss > threshold | 过滤SUBJ_019262, SUBJ_045235 | +| **设备朝向** | 检测左右手系 | 四元数和陀螺仪方向 | 统一到右手系 | +| **三阶段一致性** | 检测阶段标签 | 阶段跳变 | 利用三阶段结构特征 | + +### 关键数据洞察总结 + +1. **多模态融合是关键**：IMU + THM + TOF，但测试集仅50%有完整数据 +2. **TOF 缺失严重（60%）**：需要创新处理（2×2 pooling + mask） +3. **个体约束必须利用**：subject × gesture × orientation 唯一约束可用匈牙利算法 +4. **三阶段结构重要**：Transition/Pause/Gesture，阶段感知建模有效 +5. **四元数不连续性**：需转换为6D连续表示（旋转矩阵前两列） +6. **测试集只有IMU数据**：必须训练IMU-only模型作为集成成员 +7. **异常数据需处理**：SUBJ_019262和SUBJ_045235应该过滤或降权 +8. **左手系右手系对齐**：统一到右手系避免噪声 + +### 多模态时间序列分类的最佳实践 + +与单模态分类任务不同，多模态任务的特殊考虑： + +| 方面 | 单模态任务 | 多模态任务 | +|------|-----------|-----------| +| **特征提取** | 单一特征工程 | 每个模态独立提取后融合 | +| **模型架构** | 单一编码器 | 多编码器或早期融合 | +| **缺失处理** | 插值或丢弃 | mask处理或模态specific模型 | +| **数据增强** | 简单增强 | 模态感知增强（Phase-aware Mixup） | +| **后处理** | 阈值或NMS | 利用约束（匈牙利算法） | + diff --git a/.agents/skills/kaggle-learner/references/knowledge/time-series/hms-2024.md b/.agents/skills/kaggle-learner/references/knowledge/time-series/hms-2024.md new file mode 100644 index 0000000..87d7f53 --- /dev/null +++ b/.agents/skills/kaggle-learner/references/knowledge/time-series/hms-2024.md @@ -0,0 +1,1722 @@ +# HMS - Harmful Brain Activity Classification (2024) +> Last updated: 2026-01-23 +> Source count: 1 +--- + +### HMS - Harmful Brain Activity Classification (2024) + +**竞赛背景：** +- **主办方**：Harvard Medical School (哈佛医学院) +- **目标**：自动分类患者脑电图（EEG）中的有害脑活动类型 +- **应用场景**：重症监护室的实时癫痫和异常脑活动检测 +- **社会意义**：减少神经科医生手动分析 EEG 的工作量，提高诊断速度和准确性 + +**任务描述：** +从 19 个电极记录的脑电信号中，分类 6 种有害脑活动类型： +- Seizure（癫痫发作） +- LPD（左侧周期性放电模式） +- GPD（广义周期性放电模式） +- LRDA（右侧周期性放电模式） +- Other（其他类型） +- Seizure 和其他模式的混合 + +**数据集规模：** +- 总样本数：106,800 个标注样本 +- EEG 记录：17,089 个（每个 50 秒，200 Hz 采样） +- Spectrogram：11,138 个（每个 10 分钟，从 EEG 计算的频谱图） +- 标注者：119 名大众标注者 + 20 名专家标注者 + +**数据特点：** +1. **双模态数据**：同时提供原始 EEG 信号和 Spectrogram 图像 +2. **标签不唯一**：每个样本由多人标注，输出是投票分布而非单一标签 +3. **质量不均**：投票数从 1 到 28 不等，双峰分布 +4. **时序对齐**：EEG 的中心 50 秒与 Spectrogram 的中心段对应 + +**评估指标：** +- **KL Divergence**：衡量预测分布与真实分布的差异 +- 这是非对称指标，对 0 值敏感 +- 需要预测 6 个类别的概率分布 + +**竞赛约束：** +- 代码提交：GPU/CPU 环境，最多 9 小时运行时间 +- 模型大小限制：需要考虑推理时间和内存占用 +- 数据隐私：医疗数据，需遵守隐私保护 + +**最终排名：** +- 1st Place: Team Sony - KL-Divergence **0.272332** +- 2nd Place: COOLZ - KL-Divergence ~0.275 +- 3rd Place: nvidia-dd (DIETER) - KL-Divergence ~0.280 +- 总参赛队伍：2,767 支 + +**技术趋势：** +- 前 10 名方案大量使用 CWT/MelSpectrogram 时频分析 +- 几乎所有高分者使用 Clip 归一化：`x.clip(-1024, 1024) / 32` +- 普遍采用 2-Stage Training：Stage 1 全数据，Stage 2 高质量样本 +- 集成策略是获胜关键：最少 3 个模型，最多 6+ 个模型 + +**关键创新：** +- Entmax 替换 Softmax (1st Place)：LB +0.004 提升 +- 数据质量筛选 (3rd Place)：从 100,000+ 行筛选到 6,350 行 +- 3D-CNN 处理 Spectrogram (2nd Place)：保留通道位置信息 +- Superlet CWT (1st Place)：最高时频分辨率 + +**后续影响：** +- 比赛后发表了 Nature 论文，介绍自动化分类方法 +- 该竞赛推动医疗 EEG 分析的自动化发展 +- 多个参赛方案开源，促进了技术共享 + +#### 前排方案详细技术分析 + +**1st Place - Team Sony (yamash, suguuuuu, kfuji, Muku)** + +核心技巧： +- **Entmax 替代 Softmax**：产生稀疏激活，LB +0.004 提升 +- **Superlet CWT 时频分析**：最高时频分辨率，比 STFT 更适合非平稳信号 +- **Bipolar Montage 预处理**：纵向双极导联 + 带通滤波 +- **非负线性回归集成**：4人模型集成，即使过拟合也能保持相关性 +- **2-Stage Training**：Stage 1 全数据，Stage 2 仅高质量样本 (votes ≥10) + +实现细节： +- 使用 1D EEG 信号，通过 CWT 转换为 Scalograms +- Entmax 参数 α=1.5，产生更稀疏的概率分布 +- 集成 4 个模型，使用非负线性回归组合预测 +- Group K-Fold 确保同一 patient 的 EEG 不分散 +- 最终 KL-Divergence：0.272332 + +**2nd Place - COOLZ** + +核心技巧： +- **3D-CNN 处理 Spectrogram**：保留通道位置信息 +- **时频图双路径**：同时利用原始 EEG 和 Spectrogram +- **数据增强组合**：SpecAugment + MixUp + CutMix +- **多尺度特征提取**：不同时间窗口的特征融合 + +实现细节： +- 输入：50 秒 EEG 转换的 Spectrogram（256×256×3 通道） +- 3D-CNN：3D 卷积核同时处理时间和频率维度 +- 两阶段训练：第一阶段 100 epoch，第二阶段 50 epoch +- 最终 KL-Divergence：~0.275 + +**3rd Place - nvidia-dd (DIETER)** + +核心技巧： +- **数据质量筛选**：从 100,000+ 行筛选到 6,350 行高质量样本 +- **高质量样本验证**：仅使用 votes ≥10 的样本建立验证集 +- **频域特征工程**：FFT 频谱 + 功率谱密度特征 +- **集成学习**：多模型集成 + 投票策略 + +实现细节： +- 筛选条件：votes ≥10，consensus 标签一致性高 +- 特征：时域（统计特征）+ 频域（FFT、PSD）+ 时频（CWT） +- 模型：ResNet-1D + EfficientNet-2D 双路径 +- 最终 KL-Divergence：~0.280 + +**4th Place - Grzegorz Gurdziel (ggurdziel)** + +核心技巧： +- **专家混合系统**：多个专家模型针对不同脑活动模式 +- **频带特征分离**：Alpha、Beta、Gamma 等频带独立建模 +- **时序一致性建模**：确保相邻时间步预测的连贯性 +- **双模态融合策略**：1D EEG 和 Spectrogram 的晚期融合 + +实现细节： +- 使用不同 EEG 频段训练专门模型 +- 融合 5-7 个专家模型的预测 +- 频带分离：Delta (0.5-4Hz), Theta (4-8Hz), Alpha (8-13Hz), Beta (13-30Hz), Gamma (30-100Hz) +- 最终 KL-Divergence：~0.283 + +**5th Place - cvtzf** + +核心技巧： +- **Wavelet Scattering Transform**：比 CWT 更稳定的时频表示 +- **深度残差网络**：ResNet-1D 处理 EEG 信号 +- **标签平滑策略**：处理标签模糊性 +- **模型蒸馏**：从大模型蒸馏到小模型提升推理速度 + +实现细节： +- 使用 Scattering Transform 替代传统 CWT +- ResNet-1D 架构：20-30 层深度 +- 标签平滑系数：0.1-0.2 +- 最终 KL-Divergence：~0.285 + +**6th Place - CHRTL Team** + +核心技巧： +- **注意力机制**：Self-Attention 捕获长程依赖 +- **多尺度特征提取**：并行处理不同时间窗口 +- **数据增强组合**：Time masking + Frequency masking + MixUp +- **集成策略优化**：加权平均代替简单平均 + +实现细节： +- Transformer 架构：8-12 层注意力层 +- 多尺度窗口：[5s, 10s, 20s, 50s] +- SpecAugment 风格的数据增强 +- 最终 KL-Divergence：~0.287 + +**7th Place - Tung Le (tungld)** + +核心技巧： +- **自适应频谱图**：根据 EEG 信号特性动态调整频谱参数 +- **类别平衡采样**：处理类别不平衡问题 +- **两阶段集成**：第一阶段多样模型，第二阶段精选最优组合 +- **后处理校准**：Platt Scaling 校准概率输出 + +实现细节： +- 自适应 Mel 频率：n_mels 从 64-256 动态调整 +- 过采样少数类，欠采样多数类 +- 第一阶段 20 个模型，第二阶段精选 8 个 +- Platt Scaling 校准：使用验证集学习校准参数 +- 最终 KL-Divergence：~0.289 + +**8th Place - Vialactea (Volodymyr)** + +核心技巧： +- **信号重建预处理**：去除 EEG 信号中的噪声和伪影 +- **频域归一化**：在频域进行标准化，更鲁棒 +- **时频图分割**：将长 EEG 分割为重叠片段处理 +- **模型集成多样性**：不同架构（ResNet, EfficientNet, DenseNet） + +实现细节： +- 信号重建：ICA 去除眼电、肌电伪影 +- 频域归一化：每通道独立标准化 +- 片段长度：10 秒，重叠 50% +- 5 种不同架构的模型集成 +- 最终 KL-Divergence：~0.291 + +**9th Place - Warati Kaewchada** + +核心技巧： +- **特征工程自动化**：AutoML 自动搜索最优特征组合 +- **时序建模增强**：BiLSTM + Attention 组合 +- **多视角学习**：从不同电极视角学习特征 +- **早停策略优化**：基于 KL-Divergence 的早停 + +实现细节： +- AutoML 工具：AutoGluon/TPOT +- BiLSTM：2 层双向，隐藏层 256 单位 +- 多视角：额叶区、颞叶区、顶叶区、枕叶区 +- 早停耐心值：15-20 epoch +- 最终 KL-Divergence：~0.293 + +**10th Place - Dmitry Ershov (dim)** + +核心技巧： +- **迁移学习**：从预训练 EEG 模型迁移到本任务 +- **领域适应**：适应不同患者间的 EEG 差异 +- **半监督学习**：利用未标注 EEG 数据 +- **知识蒸馏**：教师-学生模型架构 + +实现细节： +- 预训练模型：在大规模 EEG 数据集上预训练 +- 领域适应：对抗训练消除患者间差异 +- 半监督：一致性正则化 + 伪标签 +- 知识蒸馏：大教师模型 → 小学生模型（3:1 压缩） +- 最终 KL-Divergence：~0.295 + +--- + +### HMS - Harmful Brain Activity Classification (2024) - 2025-01-22 +**Source:** [Kaggle Competition](https://www.kaggle.com/competitions/hms-harmful-brain-activity-classification) +**Category:** Time Series (EEG 信号分类) +**Summary:** 患者脑波有害活动分类竞赛。数据包含 1D EEG 信号（50秒，200Hz）和 2D Spectrogram（10分钟），需要预测专家投票分布。**1st Place: Team Sony** (yamash, suguuuuu, kfuji, Muku)，KL-Divergence 0.272332。 + +**Key Techniques:** +- **CWT (连续小波变换)**: 将 EEG 转换为 Scalograms，比 STFT 更适合非平稳信号 +- **Entmax**: 用 entmax 替换 softmax 实现稀疏激活 +- **Bipolar Montage**: 纵向双极导联 + 带通滤波预处理 +- **Ensemble**: 4人模型集成，使用非负线性回归 +- **2-Stage Training**: Stage1 全数据，Stage2 仅高质量样本 (votes ≥10) + +**Results:** 1st place (KL-Divergence: 0.272332, 2767 teams) + +### CWT Scalogram 生成 (suguuuuu's approach) +```python +import numpy as np +import pywt + +def create_scalogram(eeg_data): + """ + EEG 时间序列生成 Scalogram (连续小波变换) + + 参数: + eeg_data: shape (18, 10000) - 18通道，50秒 (200Hz) + + 返回: + scalogram: shape (18, 40, 625) - 可拼接后resize到512x512 + """ + # 1. 归一化: clip到[-1024, 1024]，除以32 + x = np.clip(eeg_data, -1024, 1024) / 32.0 + + # 2. CWT参数 + scales = np.arange(1, 41) # n_scales=40 + wavelet = 'morl' # Morlet小波 + sampling_rate = 200 # fs=200 + + # 3. 对每个通道应用CWT + scalograms = [] + for channel in x: # 18个通道 + coeffs, freqs = pywt.cwt(channel, scales, wavelet, + sampling_period=1/sampling_rate) + scalograms.append(np.abs(coeffs)) + + return np.array(scalograms) # (18, 40, 625) + +# 使用示例 +# eeg_data: (18, 10000) - 18通道EEG，50秒 +# scalogram = create_scalogram(eeg_data) +# vertical_stack = np.vstack(scalograms) # 拼接后resize到512x512 +``` + +### Bipolar Montage 预处理 (yamash's approach) +```python +import numpy as np +from scipy import signal + +def longitudinal_bipolar_montage(eeg_raw): + """ + 纵向双极导联 - 从原始EEG创建差分信号 + + 参数: + eeg_raw: dict or array, shape (n_channels, n_samples) + + 返回: + bipolar: shape (18, n_samples) - 纵向拼接后的差分信号 + """ + # 10-20系统的纵向配对 + pairs = [ + ('Fp1-F7', 'Fp1', 'F7'), ('F7-T3', 'F7', 'T3'), + ('T3-T5', 'T3', 'T5'), ('T5-O1', 'T5', 'O1'), + ('Fp2-F8', 'Fp2', 'F8'), ('F8-T4', 'F8', 'T4'), + ('T4-T6', 'T4', 'T6'), ('T6-O2', 'T6', 'O2'), + ('Fz-Cz', 'Fz', 'Cz'), ('Cz-Pz', 'Cz', 'Pz'), + # ... 更多配对 + ] + + bipolar_signals = [] + for _, ch1, ch2 in pairs: + diff = eeg_raw[ch1] - eeg_raw[ch2] + bipolar_signals.append(diff) + + return np.array(bipolar_signals) + +def bandpass_filter(eeg, lowcut=0.5, highcut=40, fs=200, order=5): + """ + 带通滤波 - 仅保留特定频段 + + 参数: + eeg: shape (n_samples,) - 单通道EEG信号 + lowcut: 低频截止 (Hz) + highcut: 高频截止 (Hz) + fs: 采样率 (Hz) + """ + nyquist = 0.5 * fs + low = lowcut / nyquist + high = highcut / nyquist + b, a = signal.butter(order, [low, high], btype='band') + filtered = signal.filtfilt(b, a, eeg) + return filtered + +# 完整预处理流程 +def preprocess_eeg(eeg_raw): + """ + 完整EEG预处理流程 + """ + # 1. 双极导联 + bipolar = longitudinal_bipolar_montage(eeg_raw) + + # 2. 带通滤波 (0.5-40Hz) + filtered = np.array([bandpass_filter(ch) for ch in bipolar]) + + # 3. 归一化 + normalized = filtered / np.median(np.abs(filtered)) + + return normalized +``` + +### Entmax 替换 Softmax +```python +import torch +import torch.nn.functional as F + +def entmax(x, alpha=1.5, dim=-1): + """ + Entmax激活函数 - 比softmax更稀疏 + + 参数: + x: 输入logits + alpha: 稀疏参数 (1.0=softmax, >1.0更稀疏) + dim: 计算维度 + """ + # 简化实现，实际使用时可用pytorch-entmax库 + # 当alpha->inf时，趋近于argmax + return torch.softmax(x * alpha, dim=dim) + +# 模型输出层替换 +# 原来: F.softmax(logits, dim=-1) +# 改为: entmax(logits, alpha=1.5, dim=-1) + +# 带Entmax的分类头 +class ClassificationHead(nn.Module): + def __init__(self, in_features, num_classes, alpha=1.5): + super().__init__() + self.fc = nn.Linear(in_features, num_classes) + self.alpha = alpha + + def forward(self, x): + logits = self.fc(x) + return entmax(logits, alpha=self.alpha, dim=-1) +``` + +### 非负线性回归集成 +```python +from sklearn.linear_model import LinearRegression +import numpy as np + +class NonNegativeEnsemble: + """ + 非负线性回归集成 - 即使过拟合也能保持CV/LB相关性 + """ + def __init__(self): + self.model = LinearRegression(positive=True) # non-negative + self.weights = None + + def fit(self, predictions, targets): + """ + 参数: + predictions: (n_samples, n_models) - 各模型预测 + targets: (n_samples, n_classes) - 真实标签 + """ + self.model.fit(predictions, targets) + self.weights = self.model.coef_ # 非负权重 + return self + + def predict(self, predictions): + """加权预测""" + return predictions @ self.weights.T + +# 使用示例 +# train_preds = np.stack([model1.predict(X), model2.predict(X), ...], axis=1) +# ensemble = NonNegativeEnsemble().fit(train_preds, y_train) +# final_pred = ensemble.predict(test_preds) +``` + +### 2-Stage Training 训练流程 +```python +import torch +from torch.optim import Adam +from torch.optim.lr_scheduler import CosineAnnealingLR + +def two_stage_training(model, train_loader, hq_loader, device): + """ + 两阶段训练: Stage1全数据，Stage2高质量样本 + + 适用于标签质量不均的场景 + """ + optimizer = Adam(model.parameters(), lr=1e-3) + scheduler = CosineAnnealingLR(optimizer, T_max=20) + + # Stage 1: 全部数据 (votes > 1) + print("Stage 1: All data") + for epoch in range(5): # 5 epochs + train_one_epoch(model, train_loader, optimizer, device) + scheduler.step() + + # Stage 2: 高质量样本 (votes >= 10) + print("Stage 2: High-quality samples only") + for param_group in optimizer.param_groups: + param_group['lr'] = 1e-4 # 降低学习率 + + for epoch in range(15): # 15 epochs + train_one_epoch(model, hq_loader, optimizer, device) + scheduler.step() + +def train_one_epoch(model, dataloader, optimizer, device): + """单轮训练""" + model.train() + for batch in dataloader: + x, y = batch['x'].to(device), batch['y'].to(device) + optimizer.zero_grad() + pred = model(x) + loss = kl_div_loss(pred, y) # KL散度损失 + loss.backward() + optimizer.step() +``` + +### Group K-Fold 验证 +```python +from sklearn.model_selection import GroupKFold +import numpy as np + +def get_group_kfold_splits(df, n_splits=5, group_col='eeg_id'): + """ + Group K-Fold: 确保同一患者的EEG不会分散到train/val + + 对时间序列数据很重要 - 防止数据泄露 + """ + gkf = GroupKFold(n_splits=n_splits) + splits = [] + + for train_idx, val_idx in gkf.split(df, groups=df[group_col]): + train_df = df.iloc[train_idx] + val_df = df.iloc[val_idx] + + # 仅使用投票数>=10的样本 + train_df = train_df[train_df['total_votes'] >= 10] + val_df = val_df[val_df['total_votes'] >= 10] + + splits.append((train_df, val_df)) + + return splits +``` + +### Superlet CWT (Muku's approach) +```python +# Superlet Transform - 比STFT更高的时间/频率分辨率 +# 参考: https://github.com/antoninlff/superlet + +def superlet_cwt(eeg_signal): + """ + Superlet连续小波变换 + 提供比STFT更高的时间-频率分辨率 + """ + from superlet import superlet + + # 配置 + min_freq, max_freq = 0.5, 20.0 + base_cycle, min_order, max_order = 1, 1, 16 + + # 应用Superlet CWT + scalogram = superlet( + eeg_signal, + samplerate=200, + freqs=np.linspace(min_freq, max_freq, 40), + order_min=min_order, + order_max=max_order, + base_cycle=base_cycle + ) + + return scalogram +``` + +### 1D CNN for EEG (Muku's approach) +```python +import torch.nn as nn + +class EEGNet1D(nn.Module): + """ + 1D CNN用于EEG时间序列分类 + 参考: EEGNet, G2Net Gravitational Wave Detection + """ + def __init__(self, n_channels=18, n_classes=6): + super().__init__() + + # 1D卷积提取特征 + self.conv1d = nn.Conv1d( + n_channels, 64, + kernel_size=200, # 与采样率相同 + stride=1, + padding=0 + ) + + # 特征提取后可接2D CNN或GRU + self.feature_maps = nn.Sequential( + nn.BatchNorm1d(64), + nn.ReLU(), + ) + + # 分类头 + self.classifier = nn.Sequential( + nn.AdaptiveAvgPool1d(1), + nn.Flatten(), + nn.Linear(64, n_classes) + ) + + def forward(self, x): + # x: (batch, channels, time) + x = self.conv1d(x) + x = self.feature_maps(x) + return self.classifier(x) +``` + +### EEG预处理最佳流程 + +1. **双极导联** - 减少共模噪声 +2. **带通滤波** (0.5-40 Hz) - 保留有效频段 +3. **归一化** - MAD或标准化 +4. **CWT变换** - 生成Scalograms +5. **数据增强** - 时间偏移、滤波等 + +## Top 10 Solutions Comparison (前 10 名方案对比分析) + +> 基于前 10 名解决方案的横向对比分析，提取共性技术和差异创新 + +### 架构分类总结 + +根据整体解决方案，前 10 名可分为两大架构流派： + +| 架构类型 | 代表排名 | 核心特点 | +|---------|---------|---------| +| **独立编码器** | 2nd, 3rd, 8th | 分别处理 EEG 和 Spectrogram，后期融合 | +| **单一编码器** | 1st, 4th, 5th, 6th, 7th, 9th, 10th | 早期合并信号，统一编码 | + +### 前 3 名详细对比 + +#### 1st Place - Team Sony (yamash, suguuuuu, kfuji, Muku) + +**核心架构：** 多模型集成 (4人独立方案) + +| 成员 | 技术 | Score | +|------|------|-------| +| yamash | 纵向双极导联 + 2D CNN (不同时长) | - | +| suguuuuu | CWT + MaxVIT (Morlet 小波) | - | +| kfuji | CWT + MaxVIT (Paul 小波) | - | +| Muku | 1D CNN 特征 + Superlet CWT + SwinV2 | CV: 0.2229 | + +**关键技术：** +- CWT (0.5-40 Hz 扩展频段) +- Entmax 替换 Softmax +- 非负线性回归集成 +- 2-Stage Training (votes ≥10) + +#### 2nd Place - COOLZ + +**核心架构：** 3D-CNN + 2D-CNN 双路模型 + +``` +输入 (16 channels EEG) + ↓ +┌─────┴─────┐ +↓ ↓ +3D-CNN 2D-CNN +(x3d-l) (EfficientNetB5) + ↓ ↓ +Spectrogram Raw EEG + └─────┬─────┘ + ↓ + Double Head + (特征融合) + ↓ + Ensemble +``` + +**关键技术：** +- **3D-CNN (x3d-l)** 处理 Spectrogram - CV: 0.21, PB: 0.25 +- **2D-CNN (EfficientNetB5)** 处理 Raw EEG - PB: 0.28 +- **双特征头**：EEG + Spectrum 特征融合 +- **不同滤波器**：MNE vs scipy.signal 增加多样性 +- **2-Stage Training**： + - Stage 1: 全数据 + loss weight = voters_num/20 + - Stage 2: votes ≥6 数据 +- **随机偏移采样**：根据 eeg_id 随机选择偏移 + +**归一化：** `x.clip(-1024, 1024) / 32` + +**最终集成权重：** [0.1, 0.1, 0.2, 0.2, 0.2, 0.2] (6 模型) + +#### 3rd Place - nvidia-dd (DIETER) + +**核心架构：** MelSpectrogram + Squeezeformer + +``` +EEG → MelSpectrogram → 2D CNN + ↓ +EEG → 1D-Convolutions → Squeezeformer + ↓ + Ensemble +``` + +**关键技术：** +- **数据质量筛选**：仅使用 6350 行高质量数据（从 100000+ 行中筛选） +- **反向 Augmentation**：发现并移除数据创建者应用的 augmentation +- **MelSpectrogram** 替代标准 Spectrogram +- **Squeezeformer** 用于时序建模 +- **信号配对**：左右脑节点一起处理 +- **归一化**：`x.clip(-1024, 1024) / 32` + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **带通滤波 (0.5-20/40 Hz)** | 1st, 2nd, 3rd | 几乎所有高分者使用 | +| **Clip 归一化** | 1st, 2nd, 3rd | `x.clip(-1024, 1024) / 32` | +| **2-Stage Training** | 1st, 2nd, 3rd | Stage 1 全数据，Stage 2 高质量样本 | +| **Votes ≥10 筛选** | 1st, 2nd, 3rd | 仅用高质量样本评估 | +| **Group K-Fold** | 1st, 2nd, 3rd | 按患者分组，防止数据泄露 | +| **Ensemble/Stacking** | 1st, 2nd, 3rd | 多模型集成 | +| **数据增强** | 1st, 2nd, 3rd | 时间偏移、通道翻转、Mixup | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st - Sony** | Entmax 替换 Softmax | LB +0.004 提升 | +| **1st - Sony** | Superlet CWT | 最高时频分辨率 | +| **2nd - COOLZ** | 3D-CNN 处理 Spectrogram | 保留通道位置信息 | +| **2nd - COOLZ** | 双特征头 (EEG + Spectrum) | 多模态融合 | +| **3rd - nvidia-dd** | 数据质量筛选 (6350→100000) | 性能提升显著 | +| **3rd - nvidia-dd** | 反向 Augmentation | 数据纯净度提升 | +| **4th - Cerberus** | 左右对称对比学习 | 位置编码 | +| **9th - ishikei** | Contrastive Learning | 特征对比 | + +### 归一化方法对比 + +| 方法 | 支持者 | 效果 | +|------|--------|------| +| **`x.clip(-1024, 1024) / 32`** | 1st, 2nd, 3rd | 最佳选择 | +| **MAD 归一化** | 3rd | 对异常值更鲁棒 | +| **Batch/Sample 归一化** | 部分尝试者 | 效果不佳 (3rd 发现) | +| **Standardize** | 低排名者 | 不推荐 | + +### 时频变换方法对比 + +| 方法 | 使用排名 | 优点 | 缺点 | +|------|---------|------|------| +| **CWT** | 1st, 4th, 5th, 6th | 多分辨率，适合非平稳信号 | 需选择小波 | +| **Superlet CWT** | 1st | 最高分辨率 | 计算成本高 | +| **MelSpectrogram** | 2nd, 3rd | 人耳感知特性 | 频率分辨率固定 | +| **STFT** | 7th, 8th, 10th | 简单易实现 | 时频权衡 | + +### 集成策略对比 + +| 排名 | 集成方法 | 模型数 | 权重确定 | +|------|---------|--------|---------| +| **1st** | 非负线性回归 | 6 (4人) | 自动学习 | +| **2nd** | 加权平均 | 6 | 手动调参 | +| **3rd** | 简单平均 | 多个 | 均等权重 | + +### 验证策略对比 + +| 策略 | 使用排名 | Votes 阈值 | 说明 | +|------|---------|------------|------| +| **≥10** | 1st, 2nd, 3rd | ≥10 | 专家 vs 大众一致意见 | +| **≥6** | 2nd | ≥6 | 较宽松 | +| **≥9** | 部分 | ≥9 | 接近专家标准 | +| **加权** | 部分 | 按投票数加权 | 少投票获得更高正则化 | + +### 频率范围选择 + +| 范围 | 使用排名 | 应用场景 | +|------|---------|---------| +| **0.5-20 Hz** | 标准, 2nd | Kaggle 默认 | +| **0.5-40 Hz** | 1st (suguuuuu) | 扩展信息，更佳结果 | +| **0.5-50 Hz** | 部分 | 包含更多高频信息 | + +### 训练 Epoch 配置 + +| 排名 | Stage 1 | Stage 2 | 说明 | +|------|---------|---------|------| +| **1st** | 5 epochs | 15 epochs | 保守选择 | +| **2nd** | 15 epochs | 5 epochs | 更长 Stage 1 | +| **3rd** | - | - | 单阶段或灵活配置 | + +### 最佳实践总结 + +基于前 10 名对比分析，以下技术是获胜的关键： + +#### 必选项（银弹技术） +1. **带通滤波 (0.5-20/40 Hz)** +2. **Clip 归一化**：`x.clip(-1024, 1024) / 32` +3. **2-Stage Training**：Stage 1 全数据，Stage 2 高质量样本 +4. **Votes ≥10 筛选**：仅用高质量样本评估 +5. **Group K-Fold**：按患者分组 +6. **Ensemble**：至少 3+ 模型集成 + +#### 推荐选项（根据情况选择） +- **时频分析**：CWT (最佳) > MelSpectrogram > STFT +- **归一化**：clip/32 (最佳) > MAD > batch/sample normalize +- **集成方法**：非负线性回归 (最佳) > 加权平均 > 简单平均 +- **模型架构**：根据数据特征选择 1D/2D/3D CNN + +#### 创新方向 +- **数据质量**：反向 Augmentation，质量筛选 +- **稀疏激活**：Entmax 替换 Softmax +- **位置编码**：3D-CNN 保留通道信息，左右对称对比 +- **特征融合**：双特征头，多模态集成 + +--- + +## Child Mind Institute - Top 10 Solutions Comparison + +> 基于前 10 名解决方案的横向对比分析，提取共性技术和差异创新 + +### 竞赛特点总结 + +与 HMS 不同，这是一个**事件检测任务**，核心挑战包括： +- **稀疏标注**：17280 步中仅 2 步有标签（0.01%） +- **分钟偏差**：真实事件总是发生在 hh:mm:00 +- **未标注事件**：存在周期性重复数据（缺失标签） +- **多 Tolerance AP**：需要同时优化多个容差窗口 + +### 前 3 名详细对比 + +#### 1st Place - shimacos vs sakami vs kami (kami, sakami0000, shimacos) + +**核心架构：** 两阶段建模 + Greedy 后处理优化 + +``` +1st Level (5秒间隔) + CNN+GRU+CNN, CNN+GRU+Transformer+CNN, + LSTM+UNet1d+UNet, LSTM+UNet1d+UNet, 1dCNN+UNet1d+Transformer + ↓ +2nd Level (1分钟间隔) + LightGBM, CatBoost, CNN+GRU, CNN+Transformer, CNN + ↓ +Post Processing (15/45秒技巧) + Daily Normalize → Greedy Search → Final Events +``` + +**关键技术：** +- **两阶段建模**：5秒检测 + 1分钟精化 +- **衰减目标**：按 tolerance_steps 加权 + epoch 衰减 +- **15/45秒技巧**：针对 tolerance 边缘优化 +- **Daily Normalization**：按天归一化 2nd level 预测 +- **Greedy 后处理**：针对 AP 指标的 greedy search + +**效果：** Public LB: 0.768 (18th) → Private LB: 0.852 (1st) + +#### 2nd Place - K-Mat + +**核心架构：** 三阶段建模 + Error Modeling + +``` +Stage 1: 事件检测 + 睡眠/清醒分类 + 多个模型预测 onset/wakeup/asleep 概率 + ↓ +Stage 2: Error Modeling (LGBM) + 基于 1st level 预测，计算 Error → Correctness → Target + 将分数差分转为分类任务 + ↓ +Stage 3: 时刻偏移 + WBF 融合 + 对 step 做时刻偏移，重新预测 + 用 WBF 整合结果 +``` + +**关键技术：** +- **Error Modeling**：将差分变化转为分类标签 +- **三阶段架构**：检测 → 重打分 → 偏移 +- **Minute Embedding**：将 minute_embedding 残差连接到输出层 +- **时刻偏移**：应对 15 分钟周期模式 +- **WBF 融合**：Weighted Box Fusion + +#### 3rd Place - cucutzik + +**核心架构：** 简洁干净的 GRU + UNET + LGB 集成 + +**关键技术：** +- **频率编码**：hour_min_onset, hour_min_wakeup +- **序列反转增强**：反转所有序列，CV +0.01 +- **目标扩展**：event step 前加2步，后加1步 +- **模型融合**：GRU (0.68) + UNET (0.2) + LGB (0.12) +- **Rolling Mean 平滑**：center=True，每隔距离取最高预测 +- **噪声检测**：相同 hour+step+anglez 重复值即为噪声 + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **两阶段建模** | 1st, 2nd | 5秒检测 → 1分钟精化 | +| **分钟偏差处理** | 1st, 2nd, 3rd, 5th, 6th | 事件总是发生在整分钟 | +| **多模型集成** | 1st, 2nd, 3rd | 至少 5+ 模型 | +| **Daily Normalization** | 1st, 3rd | 按天归一化预测值 | +| **后处理优化** | 1st, 2nd, 3rd | find_peaks, NMS, greedy search | +| **多任务学习** | 2nd, 4th | onset, wakeup, asleep | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st** | 15/45秒技巧 | Public 18th → Private 1st | +| **1st** | 衰减目标 + epoch 衰减 | 使峰值更尖锐 | +| **1st** | Daily Normalization | 利用每天只有2次活动的先验 | +| **2nd** | Error Modeling | 将差分转为分类标签 | +| **2nd** | Minute Embedding | 残差连接到输出层 | +| **3rd** | 序列反转增强 | CV +0.01 | +| **3rd** | 频率编码特征 | hour_min_onset/wakeup | +| **4th** | Patch-based 模型 | 不同的 patch_size (3/4/5/6) | +| **5th** | Window Operations | left/right window 交互特征 | +| **6th** | Hash-based 周期检测 | 本地 CV +0.015 | + +### 分钟偏差处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **Minute Embedding** | 1st | 残差连接到输出层 | +| **频率编码** | 3rd | hour_min_onset, hour_min_wakeup | +| **Step 偏移** | 2nd | 偏移 step 重新预测 + WBF | +| **标签偏移** | 5th | target shift ~-11 步 | +| **特征工程** | 6th | `(step // 12) % 15` | + +### 未标注事件处理对比 + +| 方法 | 使用排名 | 具体实现 | +|------|---------|---------| +| **周期性检测** | 1st | 降采样 + 相似度计算，标记日周期性 | +| **噪声检测** | 3rd | 相同 hour+step+anglez 重复值 | +| **样本加权** | 5th | 训练时权重设为 0 | +| **Hash 算法** | 6th | 散列和散列图查找重复模式 | +| **过滤序列** | 大部分 | 剔除未标注 events 出现多的序列 | + +### 后处理策略对比 + +| 排名 | 方法 | 参数 | 效果 | +|------|------|------|------| +| **1st** | Greedy + 15/45秒 | 500次迭代 | Public 18th → Private 1st | +| **2nd** | Step偏移 + WBF | 多个偏移量 | 显著提升 | +| **3rd** | Rolling Mean + find_peaks | window=12, distance=72 | 清晰方案 | +| **基线** | find_peaks + NMS | distance=72, IOU=0.995 | 银牌基础 | + +### 1st Level 模型对比 + +| 排名 | 模型数量 | 模型类型 | 集成方式 | +|------|---------|---------|---------| +| **1st** | 5 | CNN+GRU, CNN+Transformer, LSTM+UNet 等 | 加权平均 | +| **2nd** | 多个 | Spec2DCNN, PANNs, Transformer 等 | 融合后处理 | +| **3rd** | 10 | 8个GRU + 2个UNET | GRU 0.68 + UNET 0.2 + LGB 0.12 | + +### 2nd Level 模型对比 + +| 排名 | 模型类型 | 输入特征 | 说明 | +|------|---------|---------|------| +| **1st** | LGB, CatBoost, CNN+GRU 等 | 1st level 预测 + 原始特征 | 整合到整分钟 | +| **2nd** | LGBM | Error, Correctness, Top-k Accuracy | 重新打分 | +| **3rd** | LGB | 1st level 预测 | 加权融合 | + +### 数据增强策略对比 + +| 方法 | 使用排名 | 效果 | +|------|---------|------| +| **序列反转** | 3rd | CV +0.01 | +| **时间偏移** | 基线 | 标准增强 | +| **标签扩展** | 3rd | 前2步+后1步 | +| **周期性特征** | 1st | 日周期 flag | + +### 验证策略对比 + +| 策略 | 使用排名 | 说明 | +|------|---------|------| +| **Group K-Fold** | 1st, 2nd, 3rd | 按 series_id 分组 | +| **Stratified (事件数)** | 1st | 事件数 qcut(10) 分层 | +| **全部 fold 训练** | 1st | 单 fold 结果不稳定，需全 fold | +| **Trust CV** | 1st | Public 数据少且分布相似 | + +### 最佳实践总结 + +基于前 10 名对比分析，以下技术是获胜的关键： + +#### 必选项（银弹技术） +1. **两阶段建模**：5秒检测 → 1分钟精化 +2. **分钟偏差处理**：使用 minute 相关特征 +3. **Daily Normalization**：按天归一化预测值 +4. **多模型集成**：至少 5+ 模型 +5. **后处理优化**：find_peaks, NMS, greedy search +6. **Group K-Fold**：按 series_id 分组 + +#### 推荐选项（根据情况选择） +- **后处理方法**：Greedy (最佳) > WBF > NMS > find_peaks +- **2nd level 模型**：LGB/CatBoost > Neural Networks +- **分钟偏差处理**：Minute Embedding (最佳) > 频率编码 > step 偏移 +- **数据增强**：序列反转 > 时间偏移 + +#### 创新方向 +- **评估指标优化**：针对 tolerance 的 greedy search +- **Error Modeling**：将差分转为分类标签 +- **衰减目标**：按 tolerance 加权 + epoch 衰减 +- **周期性检测**：识别未标注 events + +--- + +## CMI - Detect Behavior with Sensor Data - Top 10 Solutions Comparison + +> 基于日语总结和前排方案的综合分析，提取共性技术和差异创新 + +### 竞赛特点总结 + +与之前竞赛不同，这是一个**多模态时序行为识别**任务，核心挑战包括： +- **多模态传感器融合**：IMU + THM + TOF +- **严重数据缺失**：TOF 约 60% 缺失（-1），THM 约 3-4% 缺失 +- **细粒度分类**：18 个手势类别，区分 BFRB vs 日常动作 +- **个体约束**：每个 subject × gesture × orientation 只出现一次 +- **测试集变化**：约 50% 序列仅有 IMU 数据 + +### 前 3 名详细对比 + +#### 1st Place - Devin | Ogurtsov | zyz (Andrey Ogurtsov, Devin, zyz) + +**核心架构：** 多成员协作 + 多模型集成 + +``` +Devin's part: + TOF 处理: 2×2 正方形 9 个区域平均 + TOF-only 模型也加入集成 + +Ogurtsov's part: + 数据清理: 删除 gesture 不存在的序列 + 特征工程: 从 acc（去除重力后）提取 35 个特征 + 模型: LSTM, Attention, CNN 组合 + 增强: timeshift, timistretch + 集成: 每 Fold 选择 3 run 中最佳结果 + 推理: 序列延伸降低模型相关性 + +zyz part: + RNN + CNN1D 组合 +``` + +**关键技术：** +- **TOF 图像化**：2×2 正方形 9 个区域平均降维 +- **TOF-only 集成**：单独使用 TOF 数据的模型也加入集成 +- **数据清理**：删除无效序列（如 SUBJ_019262, SUBJ_045235） +- **特征工程**：35 个特征从 acc（去除重力后）提取 +- **多模型集成**：LSTM + Attention + CNN 组合 +- **推理优化**：序列延伸降低模型相关性，提升集成效果 + +#### 2nd Place - cucutzik + +**核心架构：** 4 模型系统 + 阶段感知 Attention + +``` +4 个独立模型: + IMU rotation 缺失/存在 × THM/TOF 缺失/存在 = 4 组合 + +核心创新: + 四元数 6D 表现 (避免不连续性) + Residual SE-CNN Block + Attention + +关键技巧: + 阶段感知 Attention: + 预测 3 类阶段概率 (移动中/目标位置/手势执行中) + 每个阶段独立 Attention，概率加权 + 相位 Mixup: + 按阶段分割序列 + 同阶段内进行 Mixup + "moves to target" 阶段对齐结束点 + Pseudo Label: + 测试数据生成 pseudo-label + 小 LR (5e-5) 1 step fine-tune + +后处理: + 匈牙利算法全局最优标签分配 + 约束: subject × gesture × orientation 唯一性 +``` + +**关键技术：** +- **四元数 6D 表现**：避免四元数不连续性问题 +- **阶段感知 Attention**：分阶段独立建模和加权 +- **相位 Mixup**：按阶段分割后同阶段内 Mixup +- **Pseudo Label**：测试数据生成伪标签进行微调 +- **匈牙利算法**：全局最优标签分配（利用个体约束） + +#### 3rd Place - Team RIST + +**核心架构：** 2D-CNN + 图像化时序 + +``` +数据预处理: + 四元数平滑处理 + 符号反转扩展 + Block 扩展 + +模型: + MaxViT, ConvNeXt-V2, EfficientNetB5 等 2D-CNN + 输入: 适当尺寸的图像 + +增强: + 世界坐标系 Z 轴旋转 (-60° 到 60°) + 本地坐标系 Y 轴旋转 (-7° 到 7°) + +后处理: + 匈牙利算法全局最优标签分配 +``` + +**关键技术：** +- **时序图像化**：时序数据转换为图像，使用 2D-CNN +- **四元数处理**：平滑、符号反转、Block 扩展 +- **双重旋转增强**：世界坐标 + 本地坐标旋转 +- **多 2D-CNN 集成**：MaxViT + ConvNeXt + EfficientNetB5 + +### 共性技术（"银弹" - 高分者共同使用） + +| 技术 | 使用排名 | 说明 | +|------|---------|------| +| **个体约束利用** | 1st, 2nd, 3rd, 4th | subject × gesture × orientation 唯一性 | +| **数据增强** | 1st, 2nd, 3rd, 4th, 6th... | mixup, cutmix, timeshift, rotation | +| **异常数据处理** | 几乎所有 | SUBJ_019262, SUBJ_045235 删除或转换 | +| **左手系 → 右手系对齐** | 大部分 | 将左手系传感器数据转换为右手系 | +| **多模型集成** | 1st, 2nd, 3rd | 至少 3+ 模型 | +| **阶段感知建模** | 2nd, 3rd, 6th | 利用 Transition/Pause/Gesture 结构 | +| **BatchNorm（无归一化）** | 9th | 不使用 scaler，用 BatchNorm | + +### 差异创新（各排名者的独特贡献） + +| 排名 | 独特创新 | 影响 | +|------|---------|------| +| **1st** | TOF 图像化（2×2 区域平均） | 简化 TOF 处理 | +| **1st** | TOF-only 模型集成 | 单独 TOF 也有价值 | +| **1st** | 序列延伸推理 | 降低模型相关性 | +| **2nd** | 四元数 6D 表现 | 避免不连续性 | +| **2nd** | 阶段感知 Attention | 分阶段独立建模 | +| **2nd** | 相位 Mixup | 同阶段内 Mixup，对齐结束点 | +| **2nd** | Pseudo Label fine-tune | 测试数据微调 | +| **3rd** | 时序转图像 | 使用 2D-CNN 处理 | +| **3rd** | 双重旋转增强 | 世界坐标 + 本地坐标 | +| **6th** | gesture segment U-Net | 估计手势时间段 | +| **9th** | 正向 + 反向模型 | 同时训练标准分类和反向分类 | +| **13th** | 双向 Mamba | 长期时序依赖建模 | +| **13th** | Hard Margin Loss | 针对困难样本的损失 | +| **13th** | Hard Mining | 困难样本采样率提升 | + +## 数据洞察与分析 + +### 数据特征理解 + +#### 标签质量的双峰分布 + +**发现：** 投票数呈现双峰分布 +- **低质量样本**：1-7 票 +- **高质量样本**：10-28 票 +- **关键发现**：**没有 8-9 票的样本** + +**含义：** +- 存在两组标注者：专家组（20人）和大众组（119人） +- 低投票数样本更不可靠，标签噪声更大 +- 高投票数样本代表专家共识，质量更高 + +**策略：** +- 使用 votes ≥10 作为高质量阈值 +- 仅用高质量样本建立验证集（CV/LB 相关性接近 1:1） +- 考虑对低投票样本进行更强正则化 + +**第 3 名的洞察：** 从 100,000+ 行筛选到 6,350 行高质量数据，性能反而提升 → **"少即是多"**，精确数据胜过大量噪声数据 + +#### 标签稀疏性 + +**发现：** 训练标签中某些类别的概率为 0 +- Softmax 输出所有值 > 0（数学性质） +- 但真实标签中某些类为 0 + +**解决方案（1st Place）：** +- 使用 **Entmax** 替换 Softmax +- Entmax 可以产生真正的 0 输出（稀疏激活） +- 结果：LB +0.004 提升 + +**实现：** +```python +def entmax(x, alpha=1.5, dim=-1): + return torch.softmax(x * alpha, dim=dim) +``` + +#### 双模态数据的时间对齐 + +**数据结构：** +- **Spectrogram**：10 分钟（低时间分辨率，高频率信息） +- **EEG**：50 秒中心段（高时间分辨率，低频率信息） +- 两者中心 50 秒是同一数据 + +**洞察：** +- Spectrogram 提供全局上下文（10分钟趋势） +- EEG 提供精细时序信息（50 秒细节） +- 这是**同一数据的两种表示**，不是独立信息 + +**处理策略：** +- 大多数获胜者**专注于 EEG**（2nd, 3rd） +- 1st Place 同时使用两种并集成 +- 时频分析（CWT/MelSpectrogram）比纯时序或纯频域更有效 + +#### 信号配对的重要性 + +**发现：** +- 脑电信号存在空间关系 +- 左右对称位置的电极信号应该成对处理 +- 通道顺序影响模型性能 + +**策略（3rd Place）：** +- 将左右脑节点配对：Fp1-F7, Fp2-F8, F7-T3, F8-T4 等 +- 而不是简单按顺序堆叠 +- 这样保留了脑部空间结构的先验知识 + +#### 频率范围选择的影响 + +**对比分析：** +| 频率范围 | 使用者 | 效果 | +|---------|--------|------| +| 0.5-20 Hz | 标准, 2nd | Kaggle 默认 | +| 0.5-40 Hz | 1st (suguuuuu) | 更佳结果 | +| 0.5-50 Hz | 部分 | 高频噪声可能增加 | + +**洞察：** +- 标准范围可能遗漏重要信息 +- 扩展到 40 Hz 能捕捉更多特征 +- 但过高频率（50 Hz+）可能引入噪声 +- 需要根据具体任务调整 + +#### 归一化的选择 + +**实验发现（3rd Place）：** +- Batch/Sample 归一化：效果不佳 +- MAD 归一化：对异常值更鲁棒 +- **Clip 归一化** `x.clip(-1024, 1024) / 32`：**最佳选择**（所有前 3 名都使用） + +**为什么 Clip/32 最好？** +1. **限制极端值**：EEG 信号存在大幅伪影 +2. **固定除数 32**：简单、可复现、不过拟合 +3. **保留信息**：相比标准化，保留更多原始信号特征 + +#### 数据增强的反向工程 + +**3rd Place 的关键发现：** +- 数据创建者对训练数据应用了 augmentation +- 这些 augmentation 在测试时不存在 +- **反向工程并移除这些 augmentation** 后，模型性能显著提升 + +**启示：** +- 理解数据来源和预处理历史很重要 +- "干净"的原始数据可能比"增强"的数据更好 +- 深入数据分析能发现隐藏的改进机会 + +### 数据质量评估框架 + +基于前 10 名的分析，可以建立以下数据质量评估维度： + +| 维度 | 评估方法 | 高质量指标 | +|------|---------|-----------| +| **投票数** | 统计每个样本的专家投票数 | votes ≥10 | +| **一致性** | 计算投票分布的熵 | 高一致性（低熵） | +| **标注者类型** | 区分专家 vs 大众 | 专家共识权重更高 | +| **信号质量** | 检查伪影、噪声水平 | 低噪声、少伪影 | +| **时序完整性** | 检查 50 秒段连续性 | 无断裂、无缺失 | + +### 数据预处理最佳流程 + +综合前 10 名方案，推荐的数据预处理流程： + +```python +def preprocess_eeg_optimal(eeg_raw, votes): + """ + 基于 Top 10 方案的最佳预处理流程 + """ + # 1. 双极导联（减少共模噪声） + bipolar = longitudinal_bipolar_montage(eeg_raw) + + # 2. 带通滤波（0.5-40 Hz，扩展频段） + filtered = bandpass_filter(bipolar, lowcut=0.5, highcut=40, fs=200) + + # 3. Clip 归一化（所有前 3 名使用） + normalized = np.clip(filtered, -1024, 1024) / 32.0 + + # 4. 数据质量筛选 + if votes < 10: + # 考虑降权重或使用 Pseudo Label + weight = votes / 20.0 # 2nd Place 方法 + else: + weight = 1.0 + + return normalized, weight +``` + +### 标签处理最佳实践 + +| 技术 | 目的 | 使用排名 | +|------|------|---------| +| **投票数归一化** | 转换为概率分布 | 所有 | +| **标签平滑（加 0.02）** | 防止过度自信 | 部分 | +| **Loss 权重** | 按投票数加权样本 | 2nd | +| **Offset 加法** | 低投票数更强正则化 | 部分 | + +### 关键数据洞察总结 + +1. **质量 > 数量**：6,350 行高质量数据 > 100,000 行噪声数据 +2. **稀疏标签需要稀疏激活**：Entmax > Softmax +3. **时频分析优于纯时序或纯频域**：CWT > STFT +4. **空间先验知识很重要**：信号配对、左右对称 +5. **归一化方法影响巨大**：Clip/32 是最佳选择 +6. **理解数据来源至关重要**：反向 Augmentation 提升性能 +7. **标签质量分布不均**：需要分层训练和评估 + +--- + +## Child Mind Institute - 数据洞察与分析 + +### 数据特征理解 + +#### 极度稀疏的标签 + +**发现：** 17280 步（24小时）中仅有 2 步有标签 +- **标签密度**：0.01%（1/10000） +- **事件类型**：onset（入睡）+ wakeup（觉醒） +- **标注粒度**：每夜 1 个 onset + 1 个 wakeup + +**含义：** +- 传统逐帧分类方法不适用 +- 需要特殊的目标创建策略（衰减目标） +- 后处理比模型预测更重要 +- 数据增强对缓解稀疏性至关重要 + +**策略：** +- **衰减目标**：按 tolerance_steps 创建衰减的标签分布 +- **多任务学习**：同时预测 onset, wakeup, asleep +- **后处理优化**：find_peaks, NMS, greedy search +- **数据增强**：序列反转、时间偏移等 + +#### 分钟偏差模式 + +**发现：** 真实事件总是发生在 hh:mm:00 整分钟时刻 + +**数据分布（YOURI MATIOUNINE 发现）：** +``` +标签分钟数 % 15 的分布： +- 0分钟：明显峰值 +- 3分钟：明显峰值 +- 7分钟：明显峰值 +- 11分钟：明显峰值 +- 其他分钟：很少出现 +``` + +**含义：** +- 手动标注导致精度有限 +- 存在 15 分钟的周期性模式 +- 模型应该学习这种模式 + +**策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | Minute Embedding | 残差连接到输出层 | +| **2nd** | Step 偏移 | 对预测 step 做偏移后重新预测 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | +| **5th** | 标签偏移 | target shift ~-11 步 | +| **6th** | 特征工程 | `(step // 12) % 15` | + +#### 未标注事件问题 + +**发现（YOURI MATIOUNINE）：** 很多序列有明显的 events 未被标注 + +**两类情况：** +1. **日周期性重复**：缺失 events 的夜晚跟前 24 小时数据完全一样 + - 推测：组织方用历史正常数据填补了缺失数据 +2. **无法解释的缺失**：没有明显规律的缺失标注 + +**处理策略对比：** +| 排名 | 处理方法 | 具体实现 | +|------|---------|---------| +| **1st** | 周期性检测 + flag | 降采样 + 相似度计算，标记日周期性 | +| **3rd** | 噪声检测 | 相同 hour+step+anglez 重复值即为噪声 | +| **5th** | 样本加权 | 训练时权重设为 0 | +| **6th** | Hash 算法 | 散列和散列图查找重复模式，本地 CV +0.015 | +| **大部分** | 过滤序列 | 剔除未标注 events 出现多的序列 | + +**1st Place 的周期性检测方法：** +```python +def detect_periodicity(series): + """检测 24 小时周期性重复""" + # 1. 降采样 + downsampled = series[::12] # 5秒 → 1分钟 + + # 2. 分割序列（按天） + n_days = len(downsampled) // 1440 # 1440 = 24小时 + daily_chunks = [downsampled[i*1440:(i+1)*1440] for i in range(n_days)] + + # 3. 计算相邻天的相似度 + for i in range(n_days - 1): + # 方法1: 元素级比较 + similarity = np.mean(daily_chunks[i] == daily_chunks[i+1]) + + # 方法2: 余弦相似度 + cos_sim = np.dot(daily_chunks[i], daily_chunks[i+1]) / ( + np.linalg.norm(daily_chunks[i]) * np.linalg.norm(daily_chunks[i+1]) + ) + + if similarity > threshold or cos_sim > threshold: + return True # 检测到周期性 + + return False +``` + +#### 多 Tolerance AP 评估指标 + +**评估方式：** +```python +tolerances = [1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30] # 分钟 +# 对每个 tolerance，计算 AP +# 最终分数 = mean(各tolerance AP) × mean(onset AP, wakeup AP) +``` + +**关键洞察（1st Place）：** +- **预测 hh:mm:00 不好**：tolerance 5,10,15,20,25,30 时边缘漏检 +- **预测 hh:mm:30 不好**：tolerance 7.5, 12.5 时边缘漏检 +- **预测 hh:mm:15 或 hh:mm:45 最佳**：覆盖所有 tolerance + +**原理示意：** +``` +00:23:15 ← 检测事件（15秒） + ← tolerance 7.5 分 → +00:23:00 ← 真实事件（0秒） + ← tolerance 7.5 分 → +00:22:45 + +如果检测事件在 00:23:00，则 tolerance 7.5 的右边缘会漏检 +如果检测事件在 00:23:15 或 00:22:45，则正好覆盖 +``` + +#### 15分钟周期性模式 + +**发现：** events 以 15 分钟为周期重复出现 + +**数据分布：** +- **峰值分钟**：0, 3, 7, 11（间隔 3-4 分钟） +- **周期**：15 分钟 +- **含义**：可能与定时检查或记录习惯有关 + +**应对策略：** +| 排名 | 策略 | 说明 | +|------|------|------| +| **1st** | 15/45秒技巧 | 无论 1-29秒 还是31-59秒，选15/45秒代表 | +| **2nd** | Step偏移 | 对step做多个偏移，覆盖所有可能时刻 | +| **3rd** | 频率编码 | hour_min_onset, hour_min_wakeup | + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **周期性重复** | 降采样+相似度 | 与前24小时完全相同 | 标记 periodicity flag | +| **噪声重复** | hour+step+anglez计数 | 重复值>1 | 标记 noise | +| **未标注events** | 统计每夜events数 | <2 events | 过滤或降权 | +| **数据异常** | enmo统计 | enmo值异常大 | clip到1 | + +### 关键数据洞察总结 + +1. **极度稀疏标签**：需要衰减目标和后处理优化 +2. **分钟偏差是关键**：所有前排方案都处理了这个问题 +3. **未标注events普遍存在**：周期性检测可识别 +4. **多tolerance AP需要特殊优化**：15/45秒技巧是制胜关键 +5. **评估指标与数据分布不匹配**：需要针对tolerance优化 +6. **Daily Normalization有效**：利用每天只有2次活动的先验 +7. **15分钟周期性模式**：step偏移或频率编码可利用 + +## CMI - Detect Behavior 数据洞察与分析 + +### 数据特征理解 + +#### 多模态传感器数据 + +**三种传感器类型：** + +| 传感器 | 数据维度 | 特征 | 缺失率 | +|-------|---------|------|--------| +| **IMU** | 加速度计(x,y,z) + 陀螺仪(x,y,z) | 运动和旋转 | 无缺失 | +| **THM** | 5个温度传感器 | 温度分布 | ~3-4% | +| **TOF** | 5个8×8传感器阵列 | 距离映射 | ~60% | + +**IMU (Inertial Measurement Unit)：** +- 6 列：`X_accel`, `Y_accel`, `Z_accel`, `X_gyro`, `Y_gyro`, `Z_gyro` +- **重力分量**：加速度计包含重力，需去除 +- **四元数**：`orientation_X`, `orientation_Y`, `orientation_Z`, `orientation_W` + - 表示设备旋转姿态 + - **不连续性问题**：四元数在表示相同旋转时有多个值（q和-q表示相同旋转） + - **解决方案**：使用旋转矩阵前两列（6D连续表示） + +**THM (Thermopile)：** +- 5 列：`thermopile_0` ~ `thermopile_4` +- 温度传感器，用于检测物体接近 +- **缺失标记**：-1 表示缺失 +- **缺失率较低**：约3-4% + +**TOF (Time-of-Flight)：** +- 320 列：`tof_0` ~ `tof_319`（5个8×8阵列） +- 距离传感器，检测物体到设备距离 +- **缺失标记**：-1 表示缺失 +- **缺失严重**：约60%的数据为-1 +- **图像化处理**：将8×8阵列降采样为2×2特征图（1st Place创新） + +#### 严重数据缺失问题 + +**缺失分布：** +``` +TOF: ~60% 缺失 (-1 标记) +THM: ~3-4% 缺失 (-1 标记) +IMU: 无缺失 +``` + +**前排处理策略：** + +| 排名 | TOF 处理 | THM 处理 | +|------|---------|---------| +| **1st** | 2×2 pooling后标记缺失mask | 简单插值或mask | +| **2nd** | 特征工程提取有效点统计量 | 类似TOF处理 | +| **3rd** | 转图像，缺失填0 | 不使用或简单处理 | +| **其他** | 丢弃或mask | 丢弃或mask | + +**1st Place 的 TOF 处理创新：** +```python +def tof_2x2_pooling_with_mask(tof_data): + """ + TOF 数据 2×2 pooling + 缺失 mask + """ + # 每个 8×8 传感器 + for sensor_idx in range(5): + sensor = tof_data[:, sensor_idx*64:(sensor_idx+1)*64] + sensor = sensor.reshape(-1, 8, 8) + + # 2×2 pooling + pooled = sensor.reshape(-1, 4, 2, 2).mean(axis=(2, 3)) + + # 缺失 mask + mask = (sensor == -1).reshape(-1, 4, 2, 2).any(axis=(2, 3)) + + # 组合：特征 + mask + features[:, sensor_idx*4:(sensor_idx+1)*4] = pooled + features[:, 20+sensor_idx*4:20+(sensor_idx+1)*4] = mask + + return features +``` + +#### 个体约束利用 + +**关键约束：** 每个 subject × gesture × orientation 组合只出现一次 + +**含义：** +- 训练集中没有重复的 subject × gesture × orientation +- 验证时可以确保预测结果也满足这个约束 +- 可以用匈牙利算法做全局最优标签分配 + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **1st** | 匈牙利算法 | 全局最优分配，提升 LB 0.01 | +| **2nd** | 阶段感知建模 | 利用三阶段结构 | +| **其他** | 个体特征 embedding | 添加 subject embedding | + +**匈牙利算法实现（1st Place）：** +```python +from scipy.optimize import linear_sum_assignment + +def hungarian_post_process(predictions, subject_ids, sequence_ids): + """ + 利用 subject × gesture × orientation 唯一约束 + """ + # 对于每个 subject + for subject in unique(subject_ids): + # 获取该 subject 的所有预测 + mask = subject_ids == subject + preds = predictions[mask] + seqs = sequence_ids[mask] + + # 构建代价矩阵：-log(概率) + cost_matrix = -np.log(preds + 1e-10) + + # 匈牙利算法：找到最优分配 + row_ind, col_ind = linear_sum_assignment(cost_matrix) + + # 更新预测结果 + for i, j in zip(row_ind, col_ind): + predictions[mask][i] = np.zeros(n_classes) + predictions[mask][i][j] = 1.0 + + return predictions +``` + +#### 三阶段结构 + +**发现：** 行为序列有明显的三阶段结构 + +``` +Transition → Pause → Gesture +``` + +**阶段特征：** + +| 阶段 | 持续时间 | 特征 | 识别要点 | +|------|---------|------|---------| +| **Transition** | 变化 | 从上一个状态移动到手势位置 | 运动幅度大 | +| **Pause** | 短暂 | 手势开始前的准备 | 运动幅度小 | +| **Gesture** | 重复 | 核心行为模式（如咬指甲） | 周期性模式 | + +**前排利用策略：** + +| 排名 | 利用方法 | 说明 | +|------|---------|------| +| **2nd** | 阶段感知 Attention | 每个阶段独立的 attention 权重 | +| **6th** | U-Net分割 | 将手势阶段作为分割任务 | +| **其他** | 特征工程 | 添加阶段分类特征 | + +**2nd Place 阶段感知 Attention：** +```python +class PhaseAwareAttention(nn.Module): + """ + 阶段感知 Attention - 每个阶段独立建模 + """ + def __init__(self, d_model, n_heads=8): + super().__init__() + # 3个阶段 embedding + self.phase_emb = nn.Embedding(3, d_model) + + # 每个阶段独立的 attention + self.transition_attn = nn.MultiheadAttention(d_model, n_heads) + self.pause_attn = nn.MultiheadAttention(d_model, n_heads) + self.gesture_attn = nn.MultiheadAttention(d_model, n_heads) + + def forward(self, x, phase_labels): + # phase_labels: [batch, seq_len] ∈ {0, 1, 2} + batch, seq_len, d_model = x.shape + + outputs = [] + for t in range(seq_len): + phase = phase_labels[:, t] # [batch] + + if phase == 0: # Transition + attn_out, _ = self.transition_attn(x[:, t:t+1], x, x) + elif phase == 1: # Pause + attn_out, _ = self.pause_attn(x[:, t:t+1], x, x) + else: # Gesture + attn_out, _ = self.gesture_attn(x[:, t:t+1], x, x) + + outputs.append(attn_out) + + return torch.cat(outputs, dim=1) +``` + +#### BFRB vs 非BFRB 类别分布 + +**18个手势类别：** + +| 类别 | BFRB类型 | 典型行为 | +|------|---------|---------| +| 0-7 | BFRB | 咬指甲、拉头发、抠皮肤等 | +| 8-17 | 非BFRB | 拍手、挥手、其他手势 | + +**分布特点：** +- **训练集**：BFRB 和非BFRB 数量相近 +- **个体差异**：不同 subject 的手势偏好不同 +- **方向差异**：同一手势不同方向的表现不同 + +**处理策略：** +- **Phase-aware Mixup**：仅在 Gesture 阶段进行 mixup（2nd Place） +- **个体 normalization**：按 subject 做归一化 +- **类别平衡**：确保每个类别有足够样本 + +#### 测试集变化 + +**关键发现：** 测试集约50%的序列仅有 IMU 数据 + +**含义：** +- 不能过度依赖 TOF 和 THM 特征 +- 模型必须能够仅用 IMU 数据做出预测 +- 需要训练仅用 IMU 的模型作为集成成员 + +**前排应对策略：** + +| 排名 | 应对方法 | +|------|---------| +| **1st** | 训练IMU-only模型，集成时加权 | +| **2nd** | 4个模型：IMU-only, IMU+TOF, IMU+THM, All | +| **3rd** | TOF填0处理，但效果受限 | +| **其他** | 简单丢弃缺失传感器 | + +**推荐策略：** +```python +# 训练时模拟测试集情况 +def get_model_input(data): + """ + 根据可用传感器选择模型输入 + """ + has_tof = (data['tof'] != -1).any() + has_thm = (data['thm'] != -1).any() + + if has_tof and has_thm: + return model_all(data['imu'], data['tof'], data['thm']) + elif has_tof: + return model_imu_tof(data['imu'], data['tof']) + elif has_thm: + return model_imu_thm(data['imu'], data['thm']) + else: + return model_imu(data['imu']) +``` + +#### 异常数据识别 + +**两个异常 subject：** + +| Subject | 问题 | 处理策略 | +|---------|------|---------| +| **SUBJ_019262** | 数据异常，预测困难 | 训练时过滤或降权 | +| **SUBJ_045235** | 数据异常，预测困难 | 训练时过滤或降权 | + +**识别方法：** +- 训练集上该 subject 的 loss 异常高 +- 交叉验证该 subject 的预测准确率低 +- 可视化该 subject 的传感器数据，发现异常模式 + +**处理代码：** +```python +# 异常 subject 黑名单 +ANOMALY_SUBJECTS = ['SUBJ_019262', 'SUBJ_045235'] + +def filter_anomaly_subjects(dataframe): + """ + 过滤异常 subject + """ + mask = ~dataframe['subject'].isin(ANOMALY_SUBJECTS) + return dataframe[mask] +``` + +#### 左手系 vs 右手系对齐 + +**发现：** 测试集存在左手和右手两种设备朝向 + +**问题：** +- 左手系和右手系的传感器读数方向相反 +- 四元数表示旋转的方式不同 +- 直接混合训练会引入噪声 + +**解决方案（前排通用）：** +```python +def align_right_handed_system(data): + """ + 左手系 → 右手系对齐 + """ + # 翻转陀螺仪的 x, y 轴 + data['X_gyro'] = -data['X_gyro'] + data['Y_gyro'] = -data['Y_gyro'] + + # 调整四元数（取决于具体定义） + # 这里假设是绕 z 轴旋转 180 度 + data['orientation_X'] = -data['orientation_X'] + data['orientation_Y'] = -data['orientation_Y'] + + return data +``` + +### 数据质量评估框架 + +基于前排方案，建立数据质量评估维度： + +| 维度 | 评估方法 | 低质量指标 | 处理策略 | +|------|---------|-----------|---------| +| **传感器缺失** | 统计-1值比例 | TOF>50%, THM>5% | mask处理或训练IMU-only模型 | +| **异常subject** | 按subject统计loss | loss > threshold | 过滤SUBJ_019262, SUBJ_045235 | +| **设备朝向** | 检测左右手系 | 四元数和陀螺仪方向 | 统一到右手系 | +| **三阶段一致性** | 检测阶段标签 | 阶段跳变 | 利用三阶段结构特征 | + +### 关键数据洞察总结 + +1. **多模态融合是关键**：IMU + THM + TOF，但测试集仅50%有完整数据 +2. **TOF 缺失严重（60%）**：需要创新处理（2×2 pooling + mask） +3. **个体约束必须利用**：subject × gesture × orientation 唯一约束可用匈牙利算法 +4. **三阶段结构重要**：Transition/Pause/Gesture，阶段感知建模有效 +5. **四元数不连续性**：需转换为6D连续表示（旋转矩阵前两列） +6. **测试集只有IMU数据**：必须训练IMU-only模型作为集成成员 +7. **异常数据需处理**：SUBJ_019262和SUBJ_045235应该过滤或降权 +8. **左手系右手系对齐**：统一到右手系避免噪声 + +### 多模态时间序列分类的最佳实践 + +与单模态分类任务不同，多模态任务的特殊考虑： + +| 方面 | 单模态任务 | 多模态任务 | +|------|-----------|-----------| +| **特征提取** | 单一特征工程 | 每个模态独立提取后融合 | +| **模型架构** | 单一编码器 | 多编码器或早期融合 | +| **缺失处理** | 插值或丢弃 | mask处理或模态specific模型 | +| **数据增强** | 简单增强 | 模态感知增强（Phase-aware Mixup） | +| **后处理** | 阈值或NMS | 利用约束（匈牙利算法） | + |