第18名方案：2d-cnn / 1d-cnn / XGB / 1d-cnn

首先，我要感谢本次比赛的主办方以及我的队友：@chenlin1999 和 @hanzhou0315

摘要

我们的解决方案由4个阶段组成：

1. 2d-cnn：该模型预测每名球员是否发生接触以及该球员是否在地面上。
2. 1d-cnn：此阶段旨在利用时序性对第1阶段的预测进行平滑处理。
3. XGB：在此阶段，我们将球员之间的接触进行关联。
4. 1d-cnn：此阶段旨在利用时序性对第3阶段的预测进行平滑处理。

验证方法

我们选择了按 game_play 分层的5折交叉验证：该策略似乎与LB（排行榜）最相关且最直观。我们的最终解决方案CV得分为：0.77174，LB得分为：0.77004，公共LB为：0.76219。

阶段1：2d-cnn

在这个阶段，很容易对数据过拟合，因此我们只训练了2个epoch。我们在最终提交中使用了timm模型：efficientnetv2_rw_s 和 convnext_base_in22k。

输入由Endzone和Sideline的2张RGB图像组成，然后我们将特征连接起来进行预测。为了给该模型添加监督信息，我们使用了从表格数据中创建的特征。这与这里的方法有点类似。

阶段2：1d-cnn

这是一个简单的CNN，包含5层，卷积核大小为3。为了确保时间一致性，我们按 ["game_play","nfl_player_id","step"] 进行了排序。

阶段3：XGB

这是类似 @columbia2131 的XGB模型，我们添加了前一阶段的特征。

阶段4：1d-cnn

这是一个简单的CNN，包含5层，卷积核大小为3。为了确保时间一致性，我们按 ["game_play","nfl_player_id_1","nfl_player_id_2","step"] 进行了排序。

最终结果