第11名解决方案

比赛结束时刻到了！看到我们以一名之差无缘金牌，心里非常痛苦，但胜败乃兵家常事。更新： 由于一支队伍被取消资格，我们实际上拿到了最后一个金牌席位！

我们的最终解决方案是由五个不同模型组成的集成模型，这些模型使用了不同的主干网络或声谱图配置进行训练。其中每个模型都深受去年第二名解决方案的启发，该方案由 @julian3833 在这个笔记本中针对本数据集进行了重新实现。

第一阶段：调整阈值

在比赛初期，由于缺乏真正的验证集，我们对于是否全身心投入还有些犹豫。我决定从上面提到的笔记本入手，但应用了去年第二名解决方案中相同的阈值技术，即预测概率最高的前K百分位为True。去年的阈值非常高，约为 0.9987，而今年，0.69（很棒的数字）的阈值让我们在LB（排行榜）上获得了大约0.73-0.75的分数。最终，我们将集成模型的阈值设定为 0.78，结果发现在私有数据集上 0.75 甚至效果稍好一些。

第二阶段：改进流程

为了提升效果，我们决定尝试在流程中添加不同的内容。不幸的是，我们尝试的大部分内容最终都归入了本文的第4部分（无效尝试）。但有一件事效果非常好，那就是在声谱图层面进行的简单增强（SpecAugment）。我们只是对时间频段进行了掩码处理。

第三阶段：模型集成

如前所述，我们使用了两种不同的声谱图配置和不同的主干网络。声谱图配置如下：

配置 A：

cfg.window_size = 1024
cfg.hop_size = 320
cfg.sample_rate = 32000
cfg.fmin = 50
cfg.fmax = 14000
cfg.power = 2
cfg.mel_bins = 64
cfg.top_db = None

以及

配置 B：

cfg.window_size = 1024
cfg.hop_size = 512
cfg.sample_rate = 32000
cfg.fmin = 16
cfg.fmax = 16386
cfg.power = 2
cfg.mel_bins = 128
cfg.top_db = 80.0

我们集成模型中的五个模型分别是：

• 使用配置 A 和 B 的 seresnext26t_32x4d（公开榜得分均为 0.81）
• 使用配置 A 和 B 的 eca_nfnet_l0（公开榜得分 0.81）
• 使用配置 B 的 seresnext50_32x4d（公开榜得分 0.81）

第四阶段：后处理

由 @iafoss 提出的一个后处理技巧在这里效果也相当不错。具体做法是将音频滑动一定的偏移量（我们这里是向前和向后各1.5秒），然后按如下方式聚合：p = 0.5*p0 + 0.25*pr + 0.25*pl。另一个勉强有效的技巧是，如果我们在同一声景中的另一个片段中非常确信（该声景内90百分位）某种鸟类的出现，那么就提高该鸟在所有片段中出现的概率。

无效尝试

• 波形增强
• 添加来自 ff1010