BirdCLEF2025 竞赛总结

致谢

感谢组织者举办如此精彩且结构完善的竞赛。我也非常感激那些 inspiring 的公开 Notebook（例如来自 @salmanahmedtamu）以及往年的优秀解决方案。

恭喜所有顶尖团队——尤其是我的队友获得了 Grandmaster status！我真诚地感谢他在整个竞赛期间提供的宝贵支持。

我们的解决方案详情如下：

1. 训练数据与验证策略

像许多参与者一样，我们使用了完整的 BirdCLEF 2025 数据集进行训练。然而，为了获得更稳定的 CV-LB（交叉验证 - 排行榜）结果，我们通过包含来自 BirdCLEF 2023 数据集的 102 个额外类别扩展了训练集。

具体来说，我们使用了 80% 的 BirdCLEF2023 数据 + 100% 的 BirdCLEF2025 数据进行训练，剩余的 20% BirdCLEF2023 数据用于验证。这一策略提供了模型收敛的粗略指示。虽然 CV-LB 的相关性仍然不是完全稳定，但与我们早期的尝试相比，一致性要高得多。

此外，我们从以下来源收集了额外数据：

• Xeno-Canto
• iNaturalist

我们还使用了一个公开 Notebook 清理了部分 CSA 数据集 以去除人声，并手动过滤了剩余样本以确保质量。

此外，我们的训练数据还包括带有伪标签的 train_soundscape 音频，这些伪标签是由基于上述数据集训练的模型集成生成的。

2. 模型

我们的最终系统结合了基于 CNN 和基于 SED 的模型，利用了以下骨干网络：

• tf_efficientnet_b0_ns
• tf_efficientnetv2_b3
• tf_efficientnetv2_s.in21k_ft_in1k
• mnasnet_100
• spnasnet_100

我们使用了两组 Mel 频谱图，参数如下（两组之间唯一的区别在于 n_mels 参数，分别设置为 128 或 96）：

mel_spec_params = {
    "sample_rate": 32000,
    "n_mels": 128 or 96,
    "f_min": 0,
    "f_max": 16000,
    "n_fft": 2048,
    "hop_length": 512,
    "normalized": True,
    "center": True,
    "pad_mode": "constant",
    "norm": "slaney",
    "mel_scale": "htk",
}

3. 训练策略

• 采样 (Sampling):
  随机采样优于固定前 5 秒 (fixed-first-5s) 和基于 RMS 的方法。
• 数据增强 (Augmentations):
  我们遵循了以往竞赛的增强策略（cutmix, mixup, sumix），并添加了额外的人声噪声作为背景噪声以增强鲁棒性。
• 损失函数 (Loss Function):
  CNN 和 SED 模型均使用 焦点二元交叉熵 (Focal Binary Cross Entropy, Focal BCE) 损失进行训练。
• 模型汤 (Model Soup):
  我们在多个检查点之间应用了模型权重平均，以稳定最终预测。

4. 最终提交

我们应用了一种受以下灵感启发的排名感知后处理策略：
Post-processing with power adjustment
这有助于根据排名调整低置信度的预测。

• 所有模型均导出为 ONNX 格式以实现快速推理。
• 20 个模型的集成：10 个 CNN 模型和 10 个 SED 模型（5 个骨干网络 x 2 组 Mel 参数）。此提交可达到私有榜 (Private LB) = 0.927。然而，我们的最佳 LB 是由每组 6 个模型实现的，不包含 mnasnet 和 spnasnet 骨干网络。