第9名方案 - Team JK

我要感谢主办方举办了如此有趣的比赛！
我们在此分享 Team JK 的解决方案。
团队成员: @vostankovich, @tereka, @anonamename, @yururoi, @tomo20180402

概览

第一阶段 (1st stage)

yuki 部分

• 图中的 (1) 部分。
• 详见 yuki 的帖子。

Vladislav 部分

• 图中的 (2) 部分。
• 特征主要从传感器数据中创建，但也使用了头盔边界框信息。
• 分别为 P2P（球员对球员）和 P2G（球员对地面）训练了 XGB 和 LGBM 模型。
• P2P 和 P2G 使用不同的特征。球员对接触有 133 个特征，地面接触有 119 个特征。
• 以下是部分特征解释：
  • 排除了速度，因为它与距离相关。
  • 步数（或帧号），这对分数提升很大。
  • 球员在场上的位置（防守、进攻或特勤组）。
  • 扭转特征（方向-朝向）。
  • 同队特征。
  • 是否为主队特征。
  • （1、3、5米内）球员/对手的数量是非常好的特征。
  • 相反朝向的球员数量。
  • 球员加速度与每步所有球员平均加速度的比率。
  • 同一球员特征的差值（时域上）。
  • 时间特征（仅复制前几步和后几步的特征）。
  • 两名球员之间的特征差异。
  • 欧氏距离是主要特征，其他特征也基于此。
  • 来自头盔数据框的特征（每个视角的边界框坐标、高度和宽度以及周长）。
  • 头盔 IoU（交并比）特征。
• XGB/LGBM 模型使用了公共笔记本中常见的超参数进行训练。仅为两个模型添加了 reg_alpha = 0.1。

anonamename 部分 - 整合了团队成员的知识

• 图中的 (3) 部分。
• 2.5D/3D CNN 和 GBDT 的两阶段模型（5折交叉验证:0.778/公开榜:0.775/私榜:0.773）。
• 2.5D/3D CNN
  • 基于 公共笔记本。
  • 输入：
    • 图像：15帧（±7帧，skip_frame=1），使用两个视角（Endzone 和 Sideline）。
    • 追踪数据：64个特征（由 @vostankovich 创建）。
  • 模型：
    • 基于 DFL 比赛第1名方案。
    • 流程：15帧 2.5D -> Residual3DBlock -> GeM（由 @tereka 创建）。
    • 2.5D 主干网络：tf_mobilenetv3_small_minimal_100.in1k。
    • 多标签分类（由 @anonamename 创建）：num_classes=2（P2P 和 P2G）+ nn.BCEWithLogitsLoss。
    • 折数：StratifiedGroupKFold(n_splits=5).split(y="contact_org", groups="game_id")（由 @tomo20180402 创建）。
      • 为同队、不同队和地面之间的接触设置不同的标签。
      • 训练数据欠采样：正:负 = 1:5（每个 epoch 更改欠采样数据