第9名方案；简单的CNN方法

恭喜所有获得奖金和奖牌的选手！
因为顶尖团队获得了非常高的分数，我很期待学习其中的奥秘！无论如何，我在此简要介绍一下我基于简单CNN的解决方案。

训练数据

生成训练数据在本次比赛中非常重要，因为给定的训练数据仅包含模拟的（平稳高斯）噪声，而测试数据包含真实噪声。为了反映测试数据的特点，我生成了两种类型的噪声：平稳噪声和时变噪声。

• 平稳噪声直接从高斯分布中提取，其均值和标准差是根据训练数据估算的。
• 时变噪声也是从高斯分布中提取的，但其均值和标准差随时间变化。这些参数是根据测试图像计算的。
• 此外，为了模拟真实噪声，在时变噪声中添加了随机游走和线性噪声。
• 然后，以0.5的概率插入信号。
• 最后，通过删除多个时间戳的数据，重现了训练数据和测试数据中的时间戳间隙（针对平稳噪声和时变噪声）。

这里的关键点是，除了信号外，所有训练数据都是在线生成的。只有信号（不含噪声）是预先使用 pyfstat 创建的。

模型

我训练了一个 UNet 模型，用于预测时频域中的信号位置，此外还预测信号是否存在，以提供更好的监督。