第19名方案

感谢主办方和Kaggle组织了这次比赛。感谢我所有的队友（ @sunakuzira @kzkt0713 @keiichimase @kanbehmw ）以及参赛者。我想分享我们方案的摘要。

CQT (常数Q变换)

预处理

• 标准化： 我们使用整个数据集计算标准化的统计数据。
• 图像缩放： 276x513 或 207x513。
• 通道添加： 我们添加了一个通道，包含LIGO波的加法和减法结果。

  waves = np.stack([
      waves[0], waves[1], waves[2], 
      waves[0]+waves[1], 
      waves[0]-waves[1]])

nnAudio.Spectrogram.CQT1992v2

CQT1992v2(sr=2048, fmin=20, fmax=1024, hop_length=8or4, window="flattop")

数据增强

• 混合波形增强：

  class CustomDataset(Dataset):
      def __init__(self, train, ...):
          self.train = train.reset_index(drop=True).copy()
          self.labels = train["target"].values
          self.train_target0 = train[train["target"] == 0]
      ...
      def __getitem__(self, index):
          y_true = self.labels[index]
          y_true = torch.tensor(y_true).float()
          ...
          if np.random.rand() > 0.5:
              if y_true == 0:
                  sample = self.train.sample()
              else:
                  sample = self.train_target0.sample()
              wave2_path = sample.iloc[0]['file_path']
              waves2 = self.load_img(wave2_path)
  
              waves = waves + waves2
              if sample.iloc[0]['target'] == 1:
                  y_true = torch.tensor(1).float()

• Albumentations：

  albumentations.ShiftScaleRotate(p=0.5, shift_limit=0.0, scale_limit=0.2or0.3, rotate_limit=0)

1dCNN

使用的1dCNN架构来自公开Kernel。

预处理

• 标准化： 我们使用整个数据集计算标准化的统计数据。
• 带通滤波： scipy.signal.butter(6, (35, 800), btype='bandpass', fs=2048)
• 通道添加： 与CQT方法相同。

数据增强

• 随机反转