第43名解决方案

首先，非常感谢 Kagglers。我在讨论区从大家那里获得了很多想法，这非常有趣。

我的解决方案总结如下：

• 高分辨率的声谱图
• 使用移动平均进行后处理
• 针对缺失标签的师生模型

第一阶段：SED (声音事件检测)

我从SED的基础实验开始。为什么选择 SED？因为我认为 SED 在多标签任务中表现强劲。

我使用 log mel-spectrogram（对数梅尔声谱图）作为 SED 的输入。基础实验包括数据增强（高斯噪声、SpecAugment 和 MixUP）、骨干模型选择以及调整 log mel-spectrogram 的分辨率。结果显示，以下条件对我来说是最好的：

• 不注入噪声
• 使用 MixUp
• 最佳模型架构是 EfficientNet
• log mel-spectrogram 的分辨率越高，结果越好。

分辨率

最重要的是分辨率。最近在 Kaggle 的计算机视觉解决方案中，图像分辨率越高，结果往往越好。在声谱图中，可能也会发生同样的现象。在 mel-spectrogram 中，可以通过调整 "hop_size" 和 "mel_bins" 来改变分辨率。以下是在 ResNest50（单模型）上改变分辨率的结果。

分辨率至关重要！根据实验结果，好的分辨率是“高”且接近正方形的。751-512 看起来不错。最终，我选择了 858-850。配置如下：

model_config = {
    "sample_rate": 48000,
    "window_size": 1024,
    "hop_size": 560,
    "mel_bins": 850,
    "fmin": 50,
    "fmax": 14000,
    "classes_num": 24
}

后处理

我使用帧级输出进行提交。它包含时间和类别信息。但是帧级输出中有很多假阳性信息。因为它们没有经过长时间信息的处理。因此，帧级输出中的短事件应该被删除。我为帧级输出准备了后处理方法，即移动平均。

通过在每个类别的时间方向上取移动平均，我们可以删除短事件。这个想法基于该论文[1]。示例代码如下：

def post_processing(data): # data.shape = (24, 600) # (classes, time)
    result = []
    for i in range(len(data)):
        result.append(cv2.blur(data[i],(1,31)))
    return result

我通过使用移动平均提高了 LB 分数。以下是比较 EfficientNetB3（单模型）后处理的结果。