第13名解决方案

我要感谢我的队友 @sakshamaggarwal、@darkravager、@callmeb 和 @mrigendraagrawal，以及组织者和 Kaggle 社区，感谢我们在这次比赛中获得的精彩体验。

预处理：

感谢 @callmeb

• 平均功率谱密度：我们将平均 PSD 计算为简单的运行平均值，并将其存储以用于后续的归一化：

train0 = train[train.target==0].reset_index(drop=True)
DET = None
for idx, (id, target, path) in tqdm(train0.iterrows(), total=len(train0)):
    ts = np.load(path)
    ts = ts_window(ts)
    ts = ts_whiten(ts)
    ts = torch.tensor(ts)
    fs = torch.fft.fft(ts)
    if DET == None:
        DET = fs.abs()
    else:
        DET = (fs.abs() + idx * DET) / (idx+1)

• 数据白化：你可以使用任何你喜欢的白化方法。这是我们使用的众多解决方案之一。

WINDOW=signal.tukey(4096, 1/4)[None,:]
def ts_window(ts):
    return ts * WINDOW
def ts_whiten(ts, lf=24, hf=364, order=4):
    sos = signal.butter(order, [lf, hf], btype="bandpass", output="sos", fs=2048)
    normalization = np.sqrt((hf - lf) / (2048 / 2))
    return signal.sosfiltfilt(sos, ts) / normalization

• 加载数据后，我们按如下方式对信号进行归一化：

ts = ts_window(ts)
ts = ts_whiten(ts)
ts = torch.fft.ifft(fs).real
fs = fs / DET
ts = torch.fft.ifft(fs).real
(你也可以在这里重用窗口)

数据增强

• 随机通道打乱
• 随机滚动（时间平移）

方法

使用了分层 5 折训练策略。我们有一些想法，这些想法对其原生方案有一点提升。具体方法如下：

• 3 通道（原生） - 将检测器按通道堆叠。
• 6 种排列 - 我们将 3 个检测器以不同的排列方式水平堆叠。然后按通道堆叠这 6 种排列。
• CQT+CWT - 我们从 CQT 变换中提取 3 个通道（对应 3 个检测器），从 CWT 变换中提取 3 个通道，并将它们堆叠在一起。
• 双重 CWT - 创建了两个具有不同参数的并行 CWT 变换，其思路是一个变换具有更好的频率分辨率，另一个具有更好的时间分辨率。

注意：并行 关键字表示一种修改后的架构，我们在其中同时训练两个 CNN 骨干网络，并将它们的 GAP（全局平均池化）输出拼接，随后接两个全连接层。

我们训练了不同复杂度的骨干网络，这些网络可能使用特定方法或方法的组合。模型在图像尺寸和频率范围上也有所不同。

模型集成

• 最后我们大约有 50 个模型，其中最好的模型得分为 0.8808。
• 通过加权平均，我们在公共 LB 上达到了约 0.8823（私有 LB 0.88047）。
• 切换到使用 sklearn 的 MLP 分类器进行堆叠