第14名解决方案

首先，我要感谢主办方组织了这次比赛。这是我以前从未解决过的任务，尝试不同的方法既具有教育意义又充满乐趣！

摘要

模型详情

3D-CNN (CV分数: 0.770)

• 主干网络：r3d_18 (来自 torchvision)
• 使用帧数：63帧 (20fps)
• 预测步数：19步
• 训练步长：每9步训练一次
• 学习率调度器：StepLR (~2个epochs: lr=1e-3/1e-4)

2.5D3D-CNN (CV分数: 0.768)

• 架构：几乎与 DFL 比赛第一名 Team Hydrogen 的解决方案相同
• 主干网络：legacy_seresnet34
• 使用帧数：123帧 (20fps)
• 预测帧数：3帧
• 下采样：g: 10%, contact: 30%
• 标签平滑：(0.1-0.9)

3D 和 2.5D3D 的通用设置

• 用于 g 和 contact 的线性层

# x: (bs, cnn_features)
x_contact = model_contact(x)  # (bs, n_predict_frames)
x_g = model_g(x)  # (bs, n_predict_frames)
not_is_g = (is_g == 0)
x = x_contact * not_is_g + x_g * is_g  # (bs, n_predict_frames)

• 输出3个预测并计算损失：仅边线视角、仅达阵区视角、拼接边线-达阵区特征。

# 伪代码
def forward(self, x_sideline_image, x_endzone_image):
  x_sideline = cnn(x_sideline_image) 
  x_endzone = cnn(x_endzone_image)
  return fc(torch.cat([x_sideline, x_endzone])), fc_sideline(x_sideline), fc_endzone(x_endzone)

LGBM (CV分数: 0.740)

• 特征数量：约1100个
• 特征包括：
  • 球员距离 (tracking, helmet)
  • 滞后差分
  • 前n个最近球员的距离 (n为参数)
  • 距离n内的人数 (n为参数)
• 分组：
  • game_play
  • is_g
  • is_same_team
  • 距离n内的人数

集成

加权集成，G 和 contact 分别进行加权。

对我有效的尝试

• 图像预处理
  • 绘制边界框 -> 绘制边界框并填充
  • 使用2种颜色 -> 使用3种颜色
  • 保持纵横比裁剪图像

bbox_left_ratio = 4.5
bbox_right_ratio = 4.5
bbox_top_ratio = 4.5
bbox_down_ratio = 2.25
for col in ["x", "y", "width", "height"]:
    df[col] = df[[f"{col}_1", f"{col