第五名解决方案（含代码）

以下是第五名解决方案的简要概述：

1. 我们应用了各种数据增强方法，如翻转、拼接等
   1.1 通过应用不同的数据增强，我们的交叉验证得分提高了约0.02（从0.76提升到0.78）

2. 模型仅是基于公开内核的Transformer模型
   2.1 通过增加参数数量，单个模型在公开排行榜上的性能可以提升到约0.8（0.78→0.8）
   2.1.1 3层Transformer结构，嵌入大小为480

3. 使用单个手语序列的均值和标准差进行预处理
   3.1 预处理方法确实会影响最终性能
   3.1.1 我们尝试了不同的均值和标准差计算方法，发现使用单个手语序列的均值和标准差能得到更好的交叉验证结果

4. 特征工程，如点与点之间的距离
   4.1 我们选择了大约106个点（如Heck的公开笔记本中所用）
   4.2 计算了手部/鼻子/眼睛等点之间的距离

5. 一些防止过拟合的方法，如AWP、随机屏蔽帧、EMA等

非常感谢我的队友 @qiaoshiji @zengzhaoyang