第12名解决方案 [SiN Nakaism924]

首先，我要感谢我的队友们（@naoism、@hidehisaarai1213、@yasufuminakama、@sinpcw）与我并肩作战。我还要感谢 Kaggle 和 EGO 组织了这场有趣的比赛。

我将解释我的方法。我的队友们将在评论中补充他们各自的方法！

• Y.Nakama 部分 ( 链接 )
• SiNpcw 部分 ( 链接 )
• Naoism 部分 ( 链接 )
• Hidehisa 部分 ( 链接 )

hirune 部分介绍

我在 SETI 比赛结束后加入了这场比赛。这项任务与 SETI 比赛的任务非常相似。由于任务非常相似，我复用了大部分 SETI 的代码。

预处理

1. 将所有波形除以 4.6152116213830774e-20（整个训练和测试数据的最大绝对值）。
2. 使用 nnAudio 运行 CQT。随机选择 flattop、blackmanharris 或 nuttall 之一作为窗口。这可用于测试时增强（TTA）。最后，我也为此添加了 CWT。
3. 将频谱图在频率方向上组合，并作为单通道图像输入模型。
4. 在输入模型之前调整为 384x512 大小，并对整个数据集的频谱图进行均值和标准差的归一化。

数据增强

• 在转换为频谱图之前，按如下方式进行 mixup：

x = x1 + x2
y = y1 + y2 -(y1*y2)

• 在时间方向上随机滚动平移。

训练设置

• 模型：timm tf_efficientnet_b4_ap
• 优化器：Adam
• 学习率：0.001
• 调度器：CosineAnnealingLR

伪标签

使用伪标签显示出了一些改进，但不是很多。

堆叠

使用其他团队成员的模型，最后使用 NN 或 XGB 堆叠了 137 个模型，分数有了显著提高。其他模型包括 1dcnn、swin transformer 和 efficientnet b5-8。团队成员稍后将解释这些细节。