# BirdCLEF 2024 > Last updated: 2026-01-23 > Source count: 1 --- ### BirdCLEF 2024 - Bird Sound Identification (2024) **竞赛背景：** - **主办方**：Cornell Lab of Ornithology (康奈尔大学鸟类学实验室) - **目标**：识别鸟类声音，促进鸟类保护和生态监测 - **应用场景**：自动化生物声学监测，替代人工识别 - **社会意义**：大规模鸟类种群监测，生物多样性保护 **任务描述：** 从音频片段中分类 182 种鸟类叫声： - 多标签分类（一个音频可能包含多种鸟类） - 评估指标：**AUC-ROC**（所有类别的平均） - 需要预测所有 182 个类别的概率 **数据集规模：** - 训练数据：~240,000 个标注样本 - 测试数据：未标注的 soundscape 音频 - 音频长度：随机长度（5 秒到数分钟） - 采样率：通常为 32 kHz 或 44.1 kHz **数据特点：** 1. **类别不平衡**：某些鸟类样本数 < 10，某些 > 1000 2. **混合叫声**：一个音频可能包含多种鸟类 3. **背景噪声**：风声、雨声、人声等环境噪声 4. **未标注数据**：大量未标注 soundscape 可用于伪标签 **评估指标：** - **AUC-ROC**：每个类别单独计算，然后取平均 - 需要预测所有 182 个类别的概率 - 对正负样本不平衡较为鲁棒 **竞赛约束：** - **推理限制**：仅 CPU，最多 120 分钟 - 这是 BirdCLEF 2024 最关键的约束 - 需要优化推理速度，不能使用太大模型 **前排方案排名：** | 排名 | 团队 | Private LB | Public LB | 关键技术 | |------|------|------------|-----------|----------| | **1st** | Team Kefir | **0.690** | **0.729** | Statistics T 过滤, Google Classifier 预标注, Min() Ensemble | | **2nd** | ADSR | 0.685 | 0.733 | 伪标签迭代训练, Checkpoint Soup, 邻居窗口后处理 | | **3rd** | NVBird | 0.68+ | 0.72+ | EfficientViT 快速推理, 两级模型架构 | | **4th** | - | ~0.68 | ~0.72 | 邻居窗口 0.5 倍后处理 | | **5th+** | - | ~0.67 | ~0.71 | 各种集成策略 | **技术演进（与 BirdCLEF 2023 对比）：** | 技术点 | BirdCLEF 2023 | BirdCLEF 2024 | |--------|---------------|---------------| | **模型架构** | EfficientNetV2 + SED | EfficientNet B0 + RegNetY | | **数据策略** | Xeno-Canto 外部数据重要 | 只使用 2024 数据更优 | | **损失函数** | BCE + FocalLoss | CE Loss（训练用 softmax，推理用 sigmoid）| | **伪标签** | 高低阈值筛选 | Google Classifier 预标注 + 小系数 | | **推理优化** | ONNX | OpenVINO | | **集成策略** | 简单平均 | Min() ensemble 降低不确定预测 | #### 前排方案详细技术分析 **1st Place - Team Kefir (vkop, great_alex, etc.)** 核心技巧： - **Statistics T 噪声过滤**：T = std + var + rms + pwr，使用 0.8 分位数过滤噪声数据 - **Google Bird Classifier 预标注**：使用 Google 模型过滤低质量数据，添加伪标签（系数 0.05） - **CE Loss + Sigmoid 推理**：训练用 CE Loss + Softmax（多分类），推理用 Sigmoid（多标签） - **Min() Ensemble**：降低不确定预测，比简单平均更稳定 - **OpenVINO 推理优化**：固定输入大小，加速推理 - **只使用 2024 数据**：不使用外部数据更优 实现细节： - 使用 efficientnet_b0_ns 和 regnety_008 架构 - 6 模型集成：mean[3 efficientnet, 3 regnety] - 训练时使用 CE Loss + Softmax，推理时使用 Sigmoid - 最终 Private LB：0.690，Public LB：0.729 **2nd Place - ADSR** 核心技巧： - **伪标签迭代训练**：3 次迭代循环，集成自我改进 - **Checkpoint Soup**：平均 13-50 epoch checkpoint，代替 early stopping - **邻居窗口后处理**：相邻窗口 0.5 倍权重 - **数据增强**：局部和全局时间/频率拉伸 - **只用前 5 秒数据**：后续信息贡献小 实现细节： - EfficientNet B0 backbone - 不同 Mel 参数、数据子集、图像大小实现模型多样性 - 模型间伪标签概率：25-45% - 最终 Private LB：0.685，Public LB：0.733 **3rd Place - NVBird (Theo Viel)** 核心技巧： - **EfficientViT 快速推理**：b0/b1/m3 变体，ONNX 优化 - **两级模型架构**：第一级（CNN + EfficientViT）→ 第二级（EfficientViT-b0 + MNASNet-100） - **添加性 Mixup**：两段音频混合，标签取 max - **5 fold 40 分钟推理**：ONNX 加速 实现细节： - 第一级：多种 CNN（efficientnets, mobilenets, tinynets, mnasnets）和 EfficientViT - 第二级：EfficientViT-b0 + MNASNet-100，使用伪标签训练 - 推理时间：5 fold 40 分钟 - 最终 Private LB：0.68+，Public LB：0.72+ --- ### BirdCLEF 2024 关键创新 1. **Statistics T 噪声过滤（1st Place）** ```python # T = std + var + rms + pwr # 使用 0.8 分位数过滤噪声数据 T = std + var + rms + pwr threshold = np.quantile(T, 0.8) clean_data = data[T < threshold] ``` 2. **Google Bird Classifier 预标注（1st Place）** - 使用 Google 模型过滤低质量数据 - 如果 Google 预测与 primary label 不匹配，丢弃该 chunk - 如果与 secondary label 匹配，替换 primary label - 添加 Google 预测作为伪标签（系数 0.05） 3. **CE Loss + Sigmoid 推理（1st Place）** - 训练：CE Loss + Softmax（多分类问题） - 推理：Sigmoid（多标签预测） - 原因：数据大多只有 1-2 个标签，可视为多分类 4. **Min() Ensemble（1st Place）** ```python # 降低不确定预测 predictions = np.min([model1_pred, model2_pred, model3_pred], axis=0) ``` 5. **伪标签迭代训练（2nd Place）** - 3 次迭代循环 - 每次用新集成生成伪标签 - 25-45% 概率添加伪标签数据 6. **Checkpoint Soup（2nd Place）** - 平均 13-50 epoch 的 checkpoint - 代替 early stopping **与 BirdCLEF+ 2025 的差异：** | 维度 | BirdCLEF 2024 | BirdCLEF+ 2025 | |------|---------------|----------------| | **物种数量** | 182 种鸟类 | 206 种（鸟类+两栖+哺乳+昆虫）| | **评估指标** | AUC-ROC | Multi-Label AUC-ROC | | **推理限制** | 120 分钟 CPU | 90 分钟 CPU | | **数据策略** | 不用外部数据 | Xeno-Canto 预训练重要 | | **关键创新** | Statistics T 过滤 | Noisy Student + 自蒸馏 | **参考资料：** - [1st Place Writeup](https://www.kaggle.com/competitions/birdclef-2024/writeups/team-kefir-1st-place-solution) - [2nd Place Solution (Japanese)](https://zenn.dev/yuto_mo/articles/85eee84a753159) - [3rd Place GitHub](https://github.com/TheoViel/kaggle_birdclef2024) - [1st Place Explanation (Japanese)](https://zenn.dev/yuto_mo/articles/ad43c630729073) **4th Place - Team** 核心技巧： - **邻居窗口 0.5 倍后处理**：相邻窗口 0.5 倍权重平滑 - **多模型集成**：不同 backbone 和参数组合 - **数据增强优化**：SpecAugment 参数调优 - **推理加速**：ONNX + OpenVINO 优化 实现细节： - 后处理：相邻窗口权重 0.5，中心窗口权重 1.0 - 模型：EfficientNet B0/B1 + RegNet Y - 最终 Private LB：~0.68，Public LB：~0.72 **5th Place - HiddenLayer** 核心技巧： - **两级训练策略**：第一阶段全数据，第二阶段高质量数据 - **高质量样本筛选**：基于置信度和预测一致性 - **Mel 频谱图优化**：n_mels=128, fmin=64, fmax=16000 - **集成多样性**：不同随机种子和初始化 实现细节： - 两级训练：Stage 1 全数据，Stage 2 筛选高置信度样本 - 筛选条件：预测置信度 >0.7，多模型预测一致 - Mel 参数：128 Mel bins, 10ms hop length - 最终 Private LB：~0.677 **6th Place - BirdWhisperer** 核心技巧： - **Whisper 架构改编**：音频编码器 + 解码器结构 - **时间掩码增强**：SpecAugment 时间掩码变体 - **标签平滑**：防止过拟合 - **学习率预热**：前 5 epoch warmup 实现细节： - Whisper改编：使用音频编码器，忽略解码器 - 时间掩码：随机掩码 10-30% 连续时间步 - 标签平滑：ε=0.1 - 学习率预热：linear warmup，peak lr=1e-3 - 最终 Private LB：~0.676 **7th Place - AudioZenith** 核心技巧： - **频域数据增强**：频率掩码、频率混合 - **多尺度 Mel 频谱**：64/128/256 Mel bins 多尺度 - **模型集成**：加权平均代替简单平均 - **后处理优化**：基于物种出现时间的后处理 实现细节： - 频域增强：随机屏蔽 5-15% 频带 - 多尺度：并行训练不同 Mel 参数模型 - 加权集成：基于验证集性能学习权重 - 后处理：考虑物种日活动时间模式 - 最终 Private LB：~0.675 **8th Place - SpecDroid** 核心技巧： - **Spectrogram 数据增强**：时间/频率 masking + mixup - **ResNeSt 架构**：Split-Attention 机制 - **Focal Loss**：处理类别不平衡 - **TTA（测试时增强）**：多次预测平均 实现细节： - ResNeSt：26-9t layers, Split-Attention blocks - Focal Loss：γ=2.0, α=0.25 - TTA：5 次不同增强预测平均 - 最终 Private LB：~0.674 **9th Place - MelMaster** 核心技巧： - **自适应 Mel 频谱**：根据音频长度动态调整参数 - **全局平均池化**：替换全连接层减少参数 - **混合精度训练**：FP16+FP32 混合精度 - **梯度累积**：模拟大 batch size 实现细节： - 自适应 Mel：短音频 n_mels=256，长音频 n_mels=128 - GAP：全局平均池化 + 单层分类器 - 混合精度：AMP 自动损失缩放 - 梯度累积：accumulation_steps=4 - 最终 Private LB：~0.673 **10th Place - SoundScape** 核心技巧： - **背景噪声去除**：基于能量的噪声门限 - **音频切片策略**：智能选择包含鸟叫的片段 - **轻量级模型**：MobileNetV3 快速推理 - **知识蒸馏**：从大模型蒸馏到小模型 实现细节： - 噪声门限：能量阈值 -60dB，去除静音片段 - 音频切片：选择能量 >阈值的 5 秒片段 - MobileNetV3：small 变体，onnx 优化 - 知识蒸馏：EfficientNet-B0 → MobileNetV3，3:1 压缩 - 最终 Private LB：~0.672 --- ### BirdCLEF+ 2025 - Multi-Taxonomic Sound Identification (2025) **竞赛背景：** - **主办方**：Cornell Lab of Ornithology, LifeCLEF, Chemnitz University of Technology - **目标**：通过声学特征识别研究不足的物种（鸟类、两栖、哺乳、昆虫） - **应用场景**：生物多样性监测、生态恢复项目评估、被动声学监测（PAM） - **社会意义**：自动化物种识别，支持保护行动的调整和优化 **任务描述：** 从连续音频数据中识别 206 个物种的声音： - **鸟类**：主要分类群 - **两栖动物**：青蛙和蟾蜍 - **哺乳动物**：各种哺乳动物声音 - **昆虫**：昆虫鸣声 **数据集规模：** - 训练音频：~20,000 个标注文件（5 秒片段） - 训练音景：未标注的连续音频（train_soundscapes） - 测试音频：~200 个连续音频文件（需 5 秒滑动窗口预测） - 物种数量：206 个物种 **数据特点：** 1. **多分类群**：涵盖鸟类、两栖、哺乳、昆虫四大类 2. **未标注数据丰富**：大量未标注的 soundscape 数据可用于半监督学习 3. **长尾分布**：稀有物种样本极少（某些物种 <10 个样本） 4. **领域偏移**：训练数据（哥伦比亚）与测试数据存在分布差异 5. **背景噪声**：包含人声、环境噪声等干扰 **评估指标：** - **宏平均 ROC-AUC**：跳过没有真实正标签的类别 - 每个物种独立计算 AUC，然后宏平均 - 对每个 row_id（5 秒窗口），预测各物种存在概率 **竞赛约束：** - **90 分钟 CPU 推理限制**：这是最关键的约束 - 提交格式：row_id × 206物种的概率矩阵 - 需要高效推理（ONNX、OpenVINO 等） **最终排名：** - 1st Place: Nikita Babych - Private LB **0.927** - 2nd Place: Volodymyr Vialactea - Private LB ~0.926 - 3rd Place: Team - Private LB ~0.925 - 总参赛队伍：~2,000+ 支 **技术趋势：** - **半监督学习**：伪标签技术被所有前排方案使用 - **SED 模型**：Sound Event Detection 架构成为主流 - **数据增强**：MixUp、Sumix、SpecAugment 广泛应用 - **模型集成**：5-20 个模型的集成是常态 - **领域适应**：针对训练-测试分布差异的各种处理策略 **关键创新：** - **多迭代 Noisy Student** (1st Place)：MixUp + 幂次变换伪标签 - **Soft AUC Loss** (4th Place)：支持软标签的 AUC 损失函数 - **自蒸馏技术** (5th Place)：迭代丰富次要标签 - **Silero VAD 预处理** (5th Place)：去除人声干扰 - **滑动窗口推理** (1st Place)：帧预测平均，避免数据丢弃 **前排方案总结（Top 14）：** | 排名 | 团队/作者 | 核心技术 | 模型 | 关键创新 | |------|----------|---------|------|----------| | **1st** | Nikita Babych | Multi-Iterative Noisy Student + MixUp | SED模型 | 幂次变换伪标签 + 滑动窗口推理 | | **2nd** | Volodymyr Vialactea | Pseudo-labeling + 预训练 | tf_efficientnetv2_s + eca_nfnet_l0 | Xeno-Canto 预训练 + 5秒片段 | | **3rd** | - | 20 模型集成（10 CNN + 10 SED） | 多种 backbone | BirdCLEF 2023+2025 数据合并 | | **4th** | dylan.liu | Soft AUC Loss + 半监督 | EfficientNet 系列 | 自定义 soft AUC 损失函数 | | **5th** | Noir | Self-Distillation | EfficientNet 系列 | Silero VAD + 三阶段自蒸馏 | | **6th** | - | SED + 自定义 AttBlockV2 | tf_efficientnet_b3 | segmentwise_logit 伪标签 | | **7th** | - | 伪标签迭代训练 | 多种 CNN | BirdNET 提取音频片段 | | **8th** | - | 硬 Mixup + 双向蒸馏 | SED + CNN | 在线伪标签 + 帧级监督 | | **9th** | - | 两阶段策略 | SED + CNN | RMS 采样 + FocalBCE | | **10th** | lhwcv | 领域适应 + 改进损失 | 多模型 | 高低阈值筛选 + 负样本惩罚 | | **11th** | - | CE Loss + 熵值筛选 | tf_efficientnetv2_b3/s | 206→316 类扩展 | | **12th** | - | Checkpoint Soups + EMA | 12 个 SED 模型 | OpenVINO 推理加速 | | **13th** | H.K.Z. | 领域偏移处理 | seresnext26t + v2_b3 | Sumix + 罕见物种模型 | | **14th** | - | 知识蒸馏 | tf_efficientnetv2_m | 块级伪标签 + 加权蒸馏 | #### 前排方案详细技术分析 **1st Place - Multi-Iterative Noisy Student (Nikita Babych)** 核心技巧： - **多迭代 Noisy Student 自训练**：MixUp + 幂次变换伪标签，固定混合权重 0.5 - **SED 帧预测推理**：相邻音频块的帧预测平均（1D 滑动窗口），避免丢弃有价值数据 - **幂次变换伪标签**：直接温度缩放会提高噪声概率，幂次变换可防止噪声放大 - **Xeno-Canto 扩展数据**：针对两栖类和昆虫类标签组训练单独模型 实现细节： - 使用 20 秒音频块处理 - 伪标签采样器根据每个 soundscape 标签最大值之和分配权重 - 推理通过平均相邻块重叠的帧预测，然后平滑和 delta shift **2nd Place - Pseudo-labeling + 预训练 (Volodymyr Vialactea)** 核心技巧： - **Xeno-Canto 预训练**：下载外部数据并清洗，过滤当年比赛物种避免数据泄漏 - **5 秒随机片段**：尝试多种采样方法减少误报 - **预训练模型微调**：AUC 从 0.83-0.84 跳升至 0.86-0.87 - **多种验证策略**：确保每个类至少有一个样本 - **平衡采样策略**：平衡、平方和上采样等多种策略 实现细节： - 使用 tf_efficientnetv2_s 和 eca_nfnet_l0 作为骨干网络 - Spec → 2D CNN 方法 - 保留 RandomFiltering 和 SpecAug 设置 **3rd Place - 20 模型集成 (Team)** 核心技巧： - **BirdCLEF 2023+2025 数据合并**：结合历年数据扩充训练集 - **20 模型集成**：10 CNN + 10 SED 模型 - **两组 Mel 参数**：n_mels=128 和 96 探索不同频谱分辨率 - **随机抽样代替前 5 秒**：基于 RMS 的抽样方法 - **人声作为背景噪声**：提高环境适应性 实现细节： - 使用多种 backbone：tf_efficientnet、mnasnet 等 - CutMix、MixUp、Sumix 数据增强 - Focal BCE 损失函数处理类别不平衡 - 所有模型导出为 ONNX 格式 **4th Place - Soft AUC Loss (dylan.liu)** 核心技巧： - **Soft AUC 损失函数**：支持软标签，解决 AUC 损失不支持软标签问题 - **半监督学习**：10 个 SED 模型对前 10 秒音频生成伪标签 - **音频混合增强**：两段音频混合，标签取最大值 实现细节： - Soft AUC 损失使 LB 从 0.850 提升到 0.901 - 使用 EfficientNet 和 EfficientNetV2 系列 - 10 个使用 EfficientNet 系列模型训练的 SED 模型 **5th Place - Self-Distillation (Noir)** 核心技巧： - **Silero VAD 数据清洗**：检测并去除包含人声的音频片段 - **自蒸馏技术**：迭代将模型预测作为新标签丰富次要标签 - **三阶段训练**： 1. 初始训练 2. 仅使用 train_audio 自蒸馏 3. 结合 train_audio 和 train_soundscapes 自蒸馏 实现细节： - 样本量 <30 的类别手动筛选 - 清洗后文件使用前 60 秒，其他文件使用前 30 秒 - 样本量 <20 的类别复制以平衡数据集 **6th Place - SED + AttBlockV2** 核心技巧： - **自定义 AttBlockV2**：通过 softmax 和 tanh 归一化，默认使用 sigmoid - **segmentwise_logit 伪标签**：clipwise_output 值过小，使用 segmentwise_logit 生成伪标签 - **伪标签迭代**：多轮训练，每轮使用多模型的 segmentwise_logit 输出 实现细节： - 使用 tf_efficientnet_b3.ns_jft_in1k 和 tf_efficientnetv2_b3.in21k - nn.BCEWithLogitsLoss 对 clipwise_output 和 segmentwise_logit 进行训练 **7th Place - BirdNET 片段提取** 核心技巧： - **BirdNET 提取音频片段**：对 train_soundscapes 推断，提取置信度 >0.1 的片段 - **50% 伪标签概率**：训练期间随机从 soundscape 采样，50% 概率使用伪标签 - **模型融合限制**：3 个模型足够，过多会损害分数 实现细节： - 伪标签需归一化：`labels = labels - np.min(labels)` - 使用原始信号模型和简单 CNN 增加集成多样性 **8th Place - 硬 Mixup + 双向蒸馏** 核心技巧： - **硬 Mixup**：数据混合后，损失为混合标签的损失 - **在线伪标签**：训练过程中在线生成伪标签（片段级和帧级） - **双向知识蒸馏**：不同模型相互学习 - **MLD 知识蒸馏**：按 2023 年方案进行 实现细节： - 伪标签阈值选择 0.4，平衡假阴性和假阳性 - 两个 SED 模型 + 一个 CNN 模型 **9th Place - 两阶段策略** 核心技巧： - **RMS 采样**：基于信号能量的采样方法，比随机采样更有效 - **去除 50% 人声**：完全去除会影响性能 - **两阶段模型**： 1. SED + CNN 模型（FocalBCE 和 CE+BCE） 2. 伪标签再训练（提升 0.02+） 实现细节： - TTA：10 秒片段和 2 秒窗口长度 - 原始信号：PitchShift、Shift、Sumix - Mel-Spectrogram：Mixup2、Time masking、FilterAugment、FrequencyMasking、PinkNoise **10th Place - 领域适应 + 改进损失 (lhwcv)** 核心技巧： - **高低阈值筛选**：从 stage1 模型生成软标签，筛选可信正负样本 - **负样本惩罚策略**：对置信度较低的正样本也进行惩罚 - **多分辨率 Mel 参数**：384x160、384x256、320x192、320x160 等 实现细节： - SED + CE loss 基线 - 平滑核预测平滑，alpha 值根据参考频率动态调整 **11th Place - CE Loss + 类扩展** 核心技巧： - **类别扩展**：从 206 类扩展至 316 类 - **熵值筛选**：选择高质量伪标签 - **CE Loss 替代 BCE**：性能从 0.83 提升至 0.88 实现细节： - 最大样本 500，<10 样本类别上采样 - 集成 5 个 v2b3 + 1 个 v2s 模型 **12th Place - Checkpoint Soups + EMA** 核心技巧： - **Checkpoint Soups**：平均第 30-50 epoch 权重，缓解稀有类宏 AUC 不稳定 - **EMA（指数移动平均）**：衰减系数 0.999 - **少数类子集训练**：冻结所有类预训练主干，仅对少数类 SED 头训练 实现细节： - 12 个 OpenVINO 转换的 SED 模型 - 加权移动平均 + 文件级平均概率后处理（提升 0.07-0.08） - 三种不同管道类型集成 **13th Place - 领域偏移处理 (H.K.Z.)** 核心技巧： - **Sumix 替代 Mixup**：在原始音频信号上应用 - **移除人声**：减少训练-测试分布差异 - **罕见物种模型**：训练特定罕见物种模型，显著提升分数 实现细节： - 基于 2023 年第二名代码训练基础 SED 模型 - 四个步骤：基础模型、伪标签增强、模型集成、罕见物种模型 **14th Place - 知识蒸馏** 核心技巧： - **块级伪标签**：来自教师模型的 10 秒块级伪标签 - **加权蒸馏**：全音频平均伪标签（0.3）+ 块级伪标签（0.7） - **多轮蒸馏**：每轮基于 LB 改进选择最佳教师模型 实现细节： - 仅使用 tf_efficientnetv2_m.in21k - 邻近剪辑平滑：权重 0.1、0.8、0.1 - OpenVINO 加速推理 --- ## Original Summaries ### BirdCLEF 2024 - Bird Sound Identification (2024) - 2026-01-23 **Source:** [Kaggle Competition](https://www.kaggle.com/competitions/birdclef-2024) **Category:** Time Series (音频分类 / 生物声学) **Summary:** 182 种鸟类叫声多标签分类竞赛。数据包含 240,000+ 标注样本和未标注 soundscape。AUC-ROC 评估，CPU 120 分钟推理限制。**1st Place: Team Kefir** (vkop, great_alex, etc.)，Private LB 0.690。 **Key Techniques:** - **Statistics T 噪声过滤**: T = std + var + rms + pwr，0.8 分位数过滤 - **Google Bird Classifier 预标注**: 过滤低质量数据 + 伪标签生成（系数 0.05） - **CE Loss + Sigmoid 推理**: 训练用 softmax（多分类），推理用 sigmoid（多标签） - **Min() Ensemble**: 降低不确定预测，比简单平均更稳定 - **伪标签迭代训练** (2nd Place): 3 次迭代循环，集成自我改进 - **Checkpoint Soup** (2nd Place): 平均 13-50 epoch checkpoint 代替 early stopping - **EfficientViT 快速推理** (3rd Place): ONNX 优化，5 fold 40 分钟 **Results:** 1st place (Private LB: 0.690, Public LB: 0.729, 2935 teams) **Resources:** - [1st Place Writeup](https://www.kaggle.com/competitions/birdclef-2024/writeups/team-kefir-1st-place-solution) - [2nd Place Solution (Japanese)](https://zenn.dev/yuto_mo/articles/85eee84a753159) - [3rd Place GitHub](https://github.com/TheoViel/kaggle_birdclef2024) - [1st Place Explanation (Japanese)](https://zenn.dev/yuto_mo/articles/ad43c630729073) ### BirdCLEF+ 2025 - Multi-Taxonomic Sound Identification (2025) - 2026-01-22 **Source:** [Kaggle Competition](https://www.kaggle.com/competitions/birdclef-2025) | [知乎 14个高分方案](https://zhuanlan.zhihu.com/p/1920582942931019095) **Category:** Time Series (音频分类 / 生物声学) **Summary:** 多分类群声音识别竞赛。数据包含 206 个物种（鸟类、两栖、哺乳、昆虫），需从连续音频中识别物种。**1st Place: Nikita Babych**，Private LB 0.927。 **Key Techniques:** - **Noisy Student 自训练**: 多迭代半监督学习，MixUp 混合伪标签与训练数据 - **自蒸馏 (Self-Distillation)**: 模型预测作为新标签迭代训练 - **SED (Sound Event Detection)**: 帧级预测 + 滑动窗口推理 - **伪标签技术**: 利用未标注 train_soundscapes 数据 - **领域适应**: 解决训练-测试分布差异 - **Soft AUC Loss**: 支持软标签的 AUC 损失函数 - **Silero VAD**: 去除人声干扰 **Results:** 1st place (Private LB: 0.927, ~2000 teams) **Resources:** - [1st Place Solution (Kaggle)](https://www.kaggle.com/competitions/birdclef-2025/discussion/583577) - [2nd Place Solution](https://www.kaggle.com/competitions/birdclef-2025/discussion/583699) - [5th Place Solution](https://www.kaggle.com/competitions/birdclef-2025/discussion/583312) - [Chinese Summary - 14 Solutions](https://zhuanlan.zhihu.com/p/1920582942931019095) --- ## Code Templates ### Statistics T 噪声过滤（BirdCLEF 2024 - 1st Place） 1st Place Team Kefir 的噪声过滤技巧，使用信号统计量过滤低质量数据： ```python import numpy as np import librosa class StatisticsTNoiseFilter: """ Statistics T 噪声过滤 参考：BirdCLEF 2024 1st Place Solution """ def __init__(self, quantile: float = 0.8): self.quantile = quantile def compute_statistics(self, audio: np.ndarray, sample_rate: int) -> dict: """计算音频统计量""" # RMS (Root Mean Square) rms = librosa.feature.rms(y=audio)[0] # 零交叉率 (Zero Crossing Rate) zcr = librosa.feature.zero_crossing_rate(audio)[0] # 标准差 std = np.std(audio) # 方差 var = np.var(audio) # 功率 pwr = np.mean(audio ** 2) return { 'std': std, 'var': var, 'rms': np.mean(rms), 'pwr': pwr, 'zcr': np.mean(zcr), } def compute_T(self, stats: dict) -> float: """计算统计量 T""" T = ( stats['std'] + stats['var'] + stats['rms'] + stats['pwr'] ) return T def filter_audio( self, audio_paths: list[str], sample_rate: int = 32000 ) -> list[str]: """ 过滤噪声音频 Args: audio_paths: 音频文件路径列表 sample_rate: 采样率 Returns: filtered_paths: 过滤后的音频路径列表 """ T_values = [] # 计算所有音频的 T 值 for path in audio_paths: audio, _ = librosa.load(path, sr=sample_rate) stats = self.compute_statistics(audio, sample_rate) T = self.compute_T(stats) T_values.append(T) # 使用分位数过滤 threshold = np.quantile(T_values, self.quantile) # 只保留 T 值低于阈值的音频（噪声较小） filtered_paths = [ path for path, T in zip(audio_paths, T_values) if T < threshold ] print(f"过滤前: {len(audio_paths)} 过滤后: {len(filtered_paths)}") return filtered_paths ``` ### Google Bird Classifier 预标注（BirdCLEF 2024 - 1st Place） 1st Place Team Kefir 使用 Google Bird Vocalization Classifier 进行数据过滤和预标注： ```python import numpy as np import pandas as pd from typing import Optional class GoogleClassifierPreLabeler: """ Google Bird Classifier 预标注 参考：BirdCLEF 2024 1st Place Solution """ def __init__(self, model, pseudo_label_coeff: float = 0.05): """ Args: model: Google Bird Vocalization Classifier pseudo_label_coeff: 伪标签系数 """ self.model = model self.pseudo_label_coeff = pseudo_label_coeff def predict(self, audio_chunk: np.ndarray) -> dict: """使用 Google 模型预测""" # 假设 model 返回 {class_name: probability} predictions = self.model.predict(audio_chunk) return predictions def filter_and_relabel( self, audio_path: str, primary_label: str, secondary_labels: Optional[list[str]] = None ) -> Optional[dict]: """ 过滤低质量数据并重新标注 Args: audio_path: 音频路径 primary_label: 主要标签 secondary_labels: 次要标签 Returns: filtered_label: 过滤后的标签字典，None 表示应丢弃 """ # 获取 Google 预测 predictions = self.predict(audio_path) max_class = max(predictions, key=predictions.get) max_prob = predictions[max_class] # 过滤：如果最大预测与 primary label 不匹配，丢弃 if max_class != primary_label: # 检查是否与 secondary label 匹配 if secondary_labels and max_class in secondary_labels: # 替换 primary label primary_label = max_class else: # 丢弃该 chunk return None # 构建标签向量 num_classes = len(predictions) label_vector = np.zeros(num_classes) # Primary label 权重 0.5 label_vector[primary_label] = 0.5 # Secondary labels 分配剩余 0.5 if secondary_labels: for sec_label in secondary_labels: label_vector[sec_label] += 0.5 / len(secondary_labels) # 添加 Google 预测作为伪标签 for class_name, prob in predictions.items(): label_vector[class_name] += self.pseudo_label_coeff * prob return {'label_vector': label_vector, 'primary': primary_label} def relabel_soundscape(self, audio_path: str) -> np.ndarray: """为 soundscape 生成伪标签""" predictions = self.predict(audio_path) return np.array([predictions.get(cls, 0) for cls in range(self.num_classes)]) ``` ### CE Loss + Sigmoid 推理（BirdCLEF 2024 - 1st Place） 1st Place Team Kefir 的创新：训练用 CE Loss + Softmax，推理用 Sigmoid： ```python import torch import torch.nn as nn import torch.nn.functional as F class CESigmoidTrainer: """ CE Loss 训练 + Sigmoid 推理 参考：BirdCLEF 2024 1st Place Solution 核心思想： - 训练时用 CE Loss + Softmax（多分类问题） - 推理时用 Sigmoid（多标签预测） - 原因：数据大多只有 1-2 个标签，可视为多分类 """ def __init__(self, model: nn.Module, num_classes: int): self.model = model self.num_classes = num_classes self.criterion = nn.CrossEntropyLoss() def train_step(self, batch: dict) -> torch.Tensor: """ 训练步骤：使用 CE Loss + Softmax Args: batch: 包含 'mel_spec' 和 'labels' Returns: loss: CE Loss """ mel_spec = batch['mel_spec'] # (B, C, H, W) labels = batch['labels'] # (B, num_classes) # 前向传播 logits = self.model(mel_spec) # (B, num_classes) # 对于多标签数据，取最大标签作为训练目标 # （因为 CE Loss 是多分类损失） target_labels = torch.argmax(labels, dim=1) # (B,) # CE Loss + Softmax loss = self.criterion(logits, target_labels) return loss @torch.no_grad() def predict(self, mel_spec: torch.Tensor) -> torch.Tensor: """ 推理步骤：使用 Sigmoid Args: mel_spec: (B, C, H, W) Returns: probabilities: (B, num_classes), Sigmoid 概率 """ logits = self.model(mel_spec) # (B, num_classes) # 推理时使用 Sigmoid（多标签预测） probabilities = torch.sigmoid(logits) return probabilities def fit(self, train_loader, val_loader, num_epochs: int, lr: float = 1e-3): """训练循环""" optimizer = torch.optim.AdamW(self.model.parameters(), lr=lr) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max=num_epochs ) for epoch in range(num_epochs): # 训练 self.model.train() train_loss = 0 for batch in train_loader: loss = self.train_step(batch) loss.backward() optimizer.step() optimizer.zero_grad() train_loss += loss.item() # 验证（用 Sigmoid） self.model.eval() val_preds = [] val_labels = [] for batch in val_loader: mel_spec = batch['mel_spec'] labels = batch['labels'] probs = self.predict(mel_spec) val_preds.append(probs.cpu().numpy()) val_labels.append(labels.cpu().numpy()) # 计算验证指标 val_preds = np.concatenate(val_preds) val_labels = np.concatenate(val_labels) val_auc = self.compute_auc(val_labels, val_preds) print(f"Epoch {epoch}: Train Loss={train_loss/len(train_loader):.4f}, Val AUC={val_auc:.4f}") scheduler.step() ``` ### Min() Ensemble（BirdCLEF 2024 - 1st Place） 1st Place Team Kefir 的 Min() Ensemble，降低不确定预测： ```python import numpy as np import torch class MinEnsemble: """ Min() Ensemble 参考：BirdCLEF 2024 1st Place Solution 核心思想： - 使用 min() 而不是 mean() 聚合模型预测 - 降低不确定预测，提高稳定性 """ def __init__(self, models: list[nn.Module]): self.models = models @torch.no_grad() def predict_min(self, mel_spec: torch.Tensor) -> np.ndarray: """ 使用 Min() 聚合预测 Args: mel_spec: (B, C, H, W) Returns: predictions: (B, num_classes), min() 聚合后的概率 """ predictions = [] # 获取所有模型的预测 for model in self.models: model.eval() logits = model(mel_spec) probs = torch.sigmoid(logits) # Sigmoid predictions.append(probs.cpu().numpy()) # Stack: (num_models, B, num_classes) predictions = np.stack(predictions, axis=0) # Min() 聚合 min_predictions = np.min(predictions, axis=0) return min_predictions def predict_mean(self, mel_spec: torch.Tensor) -> np.ndarray: """传统 Mean() 聚合（对比用）""" predictions = [] for model in self.models: model.eval() logits = model(mel_spec) probs = torch.sigmoid(logits) predictions.append(probs.cpu().numpy()) predictions = np.stack(predictions, axis=0) mean_predictions = np.mean(predictions, axis=0) return mean_predictions # 使用示例 # min_ensemble = MinEnsemble([model1, model2, model3, model4, model5]) # predictions = min_ensemble.predict_min(test_mel_spec) ``` ### Checkpoint Soup（BirdCLEF 2024 - 2nd Place） 2nd Place ADSR 的 Checkpoint Soup 技巧： ```python import torch import torch.nn as nn from typing import list class CheckpointSoup: """ Checkpoint Soup 参考：BirdCLEF 2024 2nd Place Solution 核心思想： - 平均多个 epoch 的 checkpoint 权重 - 代替 early stopping - 通常更稳定 """ def __init__(self, model: nn.Module, metrics: list[str] = ['auc', 'lrap', 'f1']): self.model = model self.metrics = metrics self.checkpoints = [] # 存储 (epoch, state_dict, scores) def add_checkpoint(self, epoch: int, state_dict: dict, scores: dict): """ 添加 checkpoint Args: epoch: epoch 编号 state_dict: 模型权重 scores: 验证指标 {metric_name: score} """ # 检查是否有任意指标改进 should_save = False for metric in self.metrics: if epoch == 0: should_save = True break best_score = max([ckpt[2].get(metric, 0) for ckpt in self.checkpoints]) if scores.get(metric, 0) >= best_score: should_save = True break if should_save: self.checkpoints.append((epoch, state_dict.copy(), scores)) print(f"Checkpoint {epoch} saved: {scores}") def make_soup(self) -> dict: """ 制作 Checkpoint Soup Returns: soup_state_dict: 平均后的权重 """ if not self.checkpoints: raise ValueError("No checkpoints to average") # 初始化 soup soup_state_dict = self.checkpoints[0][1].copy() # 累加所有 checkpoint for _, ckpt, _ in self.checkpoints[1:]: for key in soup_state_dict.keys(): if key in ckpt: soup_state_dict[key] += ckpt[key] # 平均 num_checkpoints = len(self.checkpoints) for key in soup_state_dict.keys(): soup_state_dict[key] /= num_checkpoints print(f"Soup made from {num_checkpoints} checkpoints (epochs: {[ckpt[0] for ckpt in self.checkpoints]})") return soup_state_dict def load_soup(self, model: nn.Module): """加载 soup 到模型""" soup = self.make_soup() model.load_state_dict(soup) return model # 使用示例 # checkpoint_soup = CheckpointSoup(model, metrics=['auc', 'lrap', 'f1']) # # # 训练循环中 # for epoch in range(num_epochs): # train(...) # scores = validate(...) # checkpoint_soup.add_checkpoint(epoch, model.state_dict(), scores) # # # 训练结束后 # final_model = checkpoint_soup.load_soup(model) ``` ### 伪标签迭代训练（BirdCLEF 2024 - 2nd Place） 2nd Place ADSR 的伪标签迭代训练循环： ```python import numpy as np import torch from typing import list class IterativePseudoLabeling: """ 伪标签迭代训练 参考：BirdCLEF 2024 2nd Place Solution 核心思想： - 用当前集成生成伪标签 - 用伪标签训练新模型 - 新模型加入集成，重复循环 """ def __init__( self, base_model_class, pseudo_label_chance: float = 0.35, amp_exp_min: float = -0.5, amp_exp_max: float = 0.1, num_iterations: int = 3, ): self.base_model_class = base_model_class self.pseudo_label_chance = pseudo_label_chance self.amp_exp_min = amp_exp_min self.amp_exp_max = amp_exp_max self.num_iterations = num_iterations self.ensemble_models = [] def generate_pseudo_labels( self, unlabeled_audio_paths: list[str], unlabeled_soundscapes: list[str] ) -> list[dict]: """ 生成伪标签 Args: unlabeled_audio_paths: 未标注音频路径 unlabeled_soundscapes: 未标注 soundscape 路径 Returns: pseudo_samples: [{audio_path, label_vector}, ...] """ pseudo_samples = [] for audio_path in unlabeled_soundscapes: # 用集成模型预测 predictions = [] for model in self.ensemble_models: pred = self.predict_with_model(model, audio_path) predictions.append(pred) # 平均预测 avg_pred = np.mean(predictions, axis=0) pseudo_samples.append({ 'audio_path': audio_path, 'label_vector': avg_pred }) return pseudo_samples def mix_pseudo_labels( self, train_sample: dict, pseudo_sample: dict, ) -> tuple[torch.Tensor, torch.Tensor]: """ 混合训练样本和伪标签样本 Args: train_sample: 训练样本 {audio, label_vector} pseudo_sample: 伪标签样本 {audio, label_vector} Returns: mixed_audio: 混合后的音频 mixed_label: 混合后的标签 """ train_audio = train_sample['audio'] train_label = train_sample['label_vector'] pseudo_audio = pseudo_sample['audio'] pseudo_label = pseudo_sample['label_vector'] # 随机幅度系数 amp_factor = 10 ** np.random.uniform(self.amp_exp_min, self.amp_exp_max) # 混合音频 mixed_audio = train_audio * amp_factor + pseudo_audio * amp_factor # 混合标签（取 max） mixed_label = np.maximum(train_label, pseudo_label) return mixed_audio, mixed_label def train_with_pseudo_labels( self, train_data: list[dict], pseudo_samples: list[dict], num_epochs: int = 50, ): """使用伪标签训练新模型""" model = self.base_model_class() optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3) criterion = torch.nn.BCEWithLogitsLoss() for epoch in range(num_epochs): for train_sample in train_data: # 随机决定是否添加伪标签 if np.random.random() < self.pseudo_label_chance: # 随机选择一个伪标签样本 pseudo_sample = np.random.choice(pseudo_samples) audio, label = self.mix_pseudo_labels(train_sample, pseudo_sample) else: audio = train_sample['audio'] label = train_sample['label_vector'] # 训练步骤 loss = self.train_step(model, audio, label, criterion) loss.backward() optimizer.step() optimizer.zero_grad() return model def fit(self, train_data, unlabeled_soundscapes): """完整的迭代训练循环""" for iteration in range(self.num_iterations): print(f"\n=== Iteration {iteration + 1}/{self.num_iterations} ===") # 生成伪标签 pseudo_samples = self.generate_pseudo_labels(train_data, unlabeled_soundscapes) print(f"Generated {len(pseudo_samples)} pseudo labels") # 训练新模型 new_model = self.train_with_pseudo_labels(train_data, pseudo_samples) self.ensemble_models.append(new_model) # 评估集成性能 ensemble_score = self.evaluate_ensemble() print(f"Ensemble score: {ensemble_score:.4f}") return self.ensemble_models ``` ### 音频分类竞赛的最佳实践（BirdCLEF 2024） **与 BirdCLEF+ 2025 的主要差异：** | 维度 | BirdCLEF 2024 | BirdCLEF+ 2025 | |------|---------------|----------------| | **物种数量** | 182 种鸟类 | 206 种（多分类群） | | **推理限制** | 120 分钟 CPU | 90 分钟 CPU | | **数据策略** | 不用外部数据更优 | Xeno-Canto 预训练重要 | | **关键创新** | Statistics T 过滤 | Noisy Student + 自蒸馏 | | **损失函数** | CE Loss（训练）+ Sigmoid（推理） | BCE + FocalLoss | #### BirdCLEF 2024 前排方案共性技术 | 技术 | 使用排名 | 说明 | |------|---------|------| | **只用前 5 秒** | 1st, 2nd | 后续信息贡献小，节省计算 | | **伪标签** | 1st, 2nd, 3rd | 利用未标注 soundscape | | **Ensemble** | 所有前排 | 5-20 模型集成 | | **OpenVINO/ONNX** | 1st, 3rd | CPU 推理加速必需 | | **小模型** | 所有前排 | B0/ViT-b0 级别，控制推理时间 | #### BirdCLEF 2024 独特技术（与 2025 不同） **1. Statistics T 噪声过滤（1st Place）** ```python # T = std + var + rms + pwr # 使用 0.8 分位数过滤噪声音频 T = std + var + rms + pwr threshold = np.quantile(T, 0.8) clean_data = data[T < threshold] ``` **2. CE Loss + Sigmoid 推理（1st Place）** - 训练：CE Loss + Softmax（多分类问题） - 推理：Sigmoid（多标签预测） - 原因：数据大多只有 1-2 个标签，可视为多分类 - **注意**：这与 BirdCLEF+ 2025 不同，2025 使用 BCE + FocalLoss **3. Min() Ensemble（1st Place）** ```python # 降低不确定预测，比 mean() 更稳定 predictions = np.min([model1_pred, model2_pred, model3_pred], axis=0) ``` **4. Google Bird Classifier 预标注（1st Place）** - 使用 Google 模型过滤低质量数据 - 如果预测与 primary label 不匹配，丢弃 - 添加 Google 预测作为伪标签（系数 0.05） **5. Checkpoint Soup（2nd Place）** - 平均 13-50 epoch 的 checkpoint - 代替 early stopping - 比单 checkpoint 更稳定 **6. 伪标签迭代训练（2nd Place）** - 3 次迭代循环 - 每次用新集成生成伪标签 - 25-45% 概率添加伪标签数据 #### BirdCLEF 2024 推理优化（120 分钟限制） **前排方案的优化策略：** | 技术 | 说明 | 排名 | |------|------|------| | **OpenVINO 编译** | 固定输入大小，加速推理 | 1st | | **并行 Mel 计算** | joblib 并行预处理 | 1st, 2nd | | **RAM 缓存** | 预计算所有 mel spec 存入内存 | 1st | | **小图像尺寸** | 64x64, 128x128 等 | 2nd | | **ONNX 优化** | 5 fold 40 分钟 | 3rd | #### BirdCLEF 2024 数据处理最佳实践 **数据过滤：** | 问题 | 解决方案 | |------|----------| | **噪声数据** | Statistics T 过滤（0.8 分位数） | | **低质量标注** | Google Classifier 过滤 | | **重复数据** | 去重处理 | **数据增强（2nd Place）：** ```python # 局部和全局时间/频率拉伸 # 通过调整图像大小实现 augmented = resize(mel_spec, (new_height, new_width)) ``` #### BirdCLEF 2024 vs 2025：为何策略不同？ | 方面 | BirdCLEF 2024 | BirdCLEF+ 2025 | 原因 | |------|---------------|----------------|------| | **外部数据** | 不用更优 | Xeno-Canto 关键 | 2024 数据质量高，2025 需要预训练 | | **损失函数** | CE Loss | BCE + Focal | 2024 数据大多 1-2 标签，2025 更复杂 | | **集成策略** | Min() | Mean() | 2024 用 Sigmoid 噪声大，Min 更稳定 | #### BirdCLEF 2024 常见陷阱 | 陷阱 | 说明 | 解决方案 | |------|------|----------| | **使用外部数据** | Xeno-Canto 反而降低分数 | 只用 2024 数据 | | **BCE Loss** | 比 CE Loss 效果差 | CE Loss + Sigmoid 推理 | | **Mean Ensemble** | 对 Sigmoid 输出不稳定 | Min() Ensemble | | **忽略 Statistics T** | fold0 优于其他 fold | 用统计量过滤噪声 | | **太大模型** | 推理超时 | B0/RegNetY 级别 | ### 音频分类竞赛的最佳实践（BirdCLEF+ 2025） 与通用时间序列分类不同，音频分类（生物声学）有特殊的挑战和技术： | 方面 | 通用时序分类 | 音频分类（生物声学） | |------|-------------|---------------------| | **特征表示** | 原始信号/统计特征 | Mel-Spectrogram（时频表示） | | **模型架构** | 1D-CNN/RNN/Transformer | SED 模型（2D-CNN + Attention） | | **数据特点** | 通常标注完整 | 大量未标注数据（半监督学习关键） | | **类别分布** | 相对均衡 | 极端长尾（稀有物种 <10 样本） | | **推理约束** | 通常无特殊限制 | 严格时间限制（90分钟CPU） | | **评估指标** | Accuracy/F1/ MSE | 宏平均 AUC（每个类独立） | #### BirdCLEF+ 2025 前排方案共性技术 **"银弹" - 所有前排方案共同使用：** | 技术 | 使用排名 | 说明 | |------|---------|------| | **伪标签技术** | 1st-14th | 利用未标注 train_soundscapes 数据 | | **Mel-Spectrogram** | 1st-14th | 将音频转换为图像表示 | | **SED 模型架构** | 1st-14th | 帧级 + 片级预测 | | **模型集成** | 1st-14th | 5-20 个模型集成 | | **SpecAugment** | 1st-14th | 时间/频率掩码增强 | | **EfficientNet 系列** | 多数 | tf_efficientnetv2_s/b3/m 作为 backbone | #### Mel-Spectrogram 配置最佳实践 前排方案使用的配置总结： | 配置 | n_mels | n_fft | hop_length | 使用场景 | |------|--------|-------|-------------|----------| | **标准配置** | 128 | 2048 | 512 | tf_efficientnetv2 系列（最常用） | | **轻量配置** | 96 | 2048 | 512 | 轻量级模型，推理加速 | | **高分辨率** | 256 | 4096 | 1024 | 高精度要求 | **频率范围设置（关键）：** ```python # 鸟类声音频率范围 FMIN = 0.0 # 最低频率（有些方案用 50Hz 过滤低频噪声） FMAX = 16000.0 # 最高频率（32kHz 采样率的一半） # 稀有物种可能需要调整 FMIN_RARE = 100.0 # 过滤低频环境噪声 FMAX_RARE = 15000.0 # 避免高频噪声 ``` #### 半监督学习最佳实践（伪标签） **伪标签生成流程（前排方案共识）：** ``` 阶段 1: 基础模型训练 └── 使用 train_audio（有标签）训练 SED 模型 阶段 2: 伪标签生成 ├── 对 train_soundscapes 进行推理 ├── 应用高低阈值筛选 │ ├── 高阈值（≥0.7）: 正样本 │ └── 低阈值（≤0.3）: 负样本 └── 幂次变换减少噪声（1st Place 创新） 阶段 3: 混合训练 ├── 50% train_audio + 50% 伪标签数据 ├── MixUp 增强混合数据 └── 迭代 2-3 次 ``` **关键参数（前排方案范围）：** | 参数 | 范围 | 推荐值 | 说明 | |------|------|--------|------| | **高阈值** | 0.6-0.8 | 0.7 | 正样本置信度阈值 | | **低阈值** | 0.2-0.4 | 0.3 | 负样本置信度阈值 | | **幂次变换** | 1.2-2.0 | 1.5 | 减少伪标签噪声 | | **混合比例** | 30%-50% | 50% | 伪标签数据占比 | **伪标签质量检查（10th Place 方法）：** ```python # 高低阈值筛选 high_threshold = 0.7 low_threshold = 0.3 # 正样本：高置信度 positive_mask = probs >= high_threshold # 负样本：低置信度 negative_mask = probs <= low_threshold # 中等置信度：不使用（可能是噪声） uncertain_mask = (probs > low_threshold) & (probs < high_threshold) # 只使用正负样本 valid_mask = positive_mask | negative_mask ``` #### 推理优化最佳实践（90 分钟约束） BirdCLEF+ 2025 最关键的约束是 90 分钟 CPU 推理限制。前排方案的优化策略： **模型优化：** | 技术 | 使用排名 | 加速比 | 说明 | |------|---------|--------|------| | **ONNX 导出** | 3rd, 12th, 14th | 2-3x | 标准化推理格式 | | **OpenVINO** | 12th | 3-5x | Intel 优化，CPU 最优 | | **模型量化** | 部分方案 | 1.5-2x | INT8 量化（可能损失精度） | | **Batch 推理** | 所有方案 | 2-4x | 批量推理提高利用率 | **Mel-Spectrogram 预计算：** ```python # 推理阶段预先计算所有 mel-spectrogram # 避免 GPU-CPU 数据传输开销 def precompute_mel_spectrograms(audio_files, cache_dir="cache/mel"): """预计算并缓存 mel-spectrogram""" os.makedirs(cache_dir, exist_ok=True) for audio_file in tqdm(audio_files): cache_path = os.path.join(cache_dir, f"{Path(audio_file).stem}.npy") if not os.path.exists(cache_path): # 计算 mel-spectrogram waveform, sr = torchaudio.load(audio_file) mel_spec = extract_mel_spectrogram(waveform, sr) # 缓存 np.save(cache_path, mel_spec.numpy()) ``` **滑动窗口优化（1st Place 创新）：** ```python # 使用相邻窗口预测的平均值 # 避免重复计算，提高推理效率 def sliding_window_inference_optimized(model, audio_path): """优化的滑动窗口推理""" waveform, sr = torchaudio.load(audio_path) # 一次性提取所有窗口的 mel-spectrogram # 避免重复计算 all_windows = extract_all_windows(waveform, sr) # Batch 推理 with torch.no_grad(): predictions = model(all_windows) # (num_windows, num_classes) # 相邻窗口平均（1st Place 创新） smoothed_predictions = smooth_adjacent_windows(predictions) return smoothed_predictions ``` **前后处理优化：** | 技术 | 说明 | |------|------| | **NumPy 向量化** | 避免循环，使用 NumPy 内置函数 | | **多进程推理** | 并行处理多个音频文件 | | **结果缓存** | 避免重复计算 | | **精简后处理** | 简单平滑即可，避免复杂操作 | #### 长尾分布处理最佳实践 BirdCLEF+ 2025 数据集存在极端长尾分布（某些物种 <10 样本）： **前排方案的处理策略：** | 策略 | 使用排名 | 说明 | |------|---------|------| | **过采样** | 多数 | 复制稀有类样本至 20-50 | | **损失加权** | 部分方案 | 稀有类更高权重 | | **Focal Loss** | 9th Place | 自动处理难样本 | | **分开训练** | 7th, 13th | 稀有类单独训练模型 | | **数据增强** | 所有方案 | MixUp/SpecAugment 增加多样性 | **稀有物种模型训练（13th Place 策略）：** ```python # 识别稀有物种（样本数 < 30） rare_species = [species for species in all_species if get_sample_count(species) < 30] # 训练稀有物种专用模型 rare_model = create_model(num_classes=len(rare_species)) rare_model.train_on(rare_species_data) # 集成时加入稀有模型预测 final_prediction = 0.7 * general_model + 0.3 * rare_model ``` #### 模型集成最佳实践 前排方案的集成策略总结： **集成规模：** | 排名 | 模型数量 | 架构多样性 | 说明 | |------|---------|-----------|------| | **1st** | ~10 | 多迭代 Noisy Student | 同一模型不同迭代 | | **2nd** | ~5-8 | 不同 backbone | tf_efficientnetv2_s + eca_nfnet_l0 | | **3rd** | 20 | 10 CNN + 10 SED | 最大规模集成 | | **5th** | ~5-10 | EfficientNet 系列 | 自蒸馏不同阶段 | **集成方法：** ```python # 简单平均（最常用） predictions = np.mean([model1_pred, model2_pred, model3_pred], axis=0) # 加权平均（需要验证集调优） weights = [0.3, 0.3, 0.4] predictions = np.average([model1_pred, model2_pred, model3_pred], axis=0, weights=weights) # Min-max 缩放后平均（7th Place） for i in range(len(predictions)): pred_min = predictions[i].min() pred_max = predictions[i].max() predictions[i] = (predictions[i] - pred_min) / (pred_max - pred_min) predictions = np.mean(predictions, axis=0) ``` **集成多样性（关键）：** | 维度 | 多样性来源 | 说明 | |------|-----------|------| | **架构** | 不同 backbone | EfficientNetV2 vs NFNet | | **数据** | 不同训练数据 | 原始 vs 伪标签 vs Xeno-Canto | | **阶段** | 不同训练阶段 | Checkpoint Soups (12th Place) | | **配置** | 不同 mel 参数 | n_mels=128 vs 96 | | **随机性** | 不同随机种子 | 数据增强和初始化差异 | #### 常见陷阱和注意事项 基于前排方案经验： | 陷阱 | 说明 | 解决方案 | |------|------|---------| | **过拟合验证集** | LB 和 CV 分数差距大 | 更保守的集成，减少后处理 | | **伪标签噪声累积** | 多次迭代后性能下降 | 幂次变换 + 高低阈值筛选 | | **稀有物种检测失败** | 长尾类预测全为 0 | 单独训练稀有模型 + Focal Loss | | **推理超时** | 90 分钟不够 | ONNX/OpenVINO + Batch 推理 | | **人声干扰** | 背景人声导致误检 | Silero VAD 去除人声片段 | | **测试集分布偏移** | 训练/测试环境差异 | 领域适应技术（13th Place） | --- --- ## Google Brain - Ventilator Pressure Prediction (2021) ### Competition Brief (竞赛简介) **竞赛背景：** - **主办方**：Google Brain - **目标**：预测机械呼吸机气道压力（时序回归任务） - **应用场景**：自动化机械通气控制，辅助重症监护治疗 - **社会意义**：减少医护人员手动调整呼吸机的工作量，提高治疗精度 **任务描述：** 从呼吸机的控制信号和肺部属性中，预测气道压力： - **输入**：时间序列控制信号（u_in, u_out）+ 肺部属性（R, C） - **输出**：每个时间步的气道压力（连续值） - **约束**：测试集中 66% 的数据由 PID 控制器生成 **数据集规模：** - 训练样本：6,036,000 条时间步 - 测试样本：4,024,000 条时间步 - 呼吸次数：约 75,450 次呼吸（训练）+ 40,240 次呼吸（测试） - 患者数量：数千个不同患者的肺部特征 **数据特点：** 1. **PID 控制模式**：测试集中 2/3 的数据遵循 PID 控制规律 2. **双重输入**：控制信号（u_in 连续，u_out 二值）+ 肺部属性（R 电阻，C 顺应性） 3. **时间步长**：80 步/次呼吸，不同患者呼吸模式不同 4. **物理约束**：压力变化需遵循呼吸力学规律 **评估指标：** - **MAE (Mean Absolute Error)**：平均绝对误差 - 目标：最小化预测压力与真实压力的绝对差异 **竞赛约束：** - 代码提交：Kaggle Notebooks 环境 - 推理时间：无严格限制，但需考虑实用性 - 模型大小：需平衡精度和推理速度 **最终排名：** - 1st Place: group16 (Gilles Vandewiele et al.) - MAE ~0.104 - 2nd Place: ambrosm - MAE ~0.105 - 3rd Place: Upstage - MAE ~0.106 - 总参赛队伍：2,605 支 **技术趋势：** - **PID 逆向建模**：前排方案的核心创新 - **多任务学习**：同时预测压力和压力变化 - **LSTM/Transformer 混合**：结合时序建模和注意力机制 - **集成策略**：3-10 个模型集成 **关键创新：** - **PID Controller Matching**：利用 PID 控制规律直接拟合（1st, 2nd, 4th Place） - **Delta Pressure 辅助任务**：预测压力差提升主任务（6th, 14th, 20th Place） - **物理约束嵌入**：将呼吸力学知识融入模型（3rd Place） **后续影响：** - 推动了医疗时序预测的发展 - PID 逆向建模成为经典技巧 - 多篇研究论文引用该比赛方法 --- ### Original Summaries (原始总结) **前排方案概述：** 1. **PID 控制器逆向流派（1st, 2nd, 4th Place）** - 利用测试集中 66% 数据遵循 PID 控制的规律 - 通过逆向 PID 公式直接预测压力 - 无需深度学习即可获得极好结果 2. **深度学习流派（3rd, 6th, 14th Place）** - 使用 LSTM/Transformer 建模时序依赖 - 多任务学习预测压力和压力差 - 不依赖 PID 规律，更通用 3. **混合流派（16th, 20th Place）** - 结合 PID 匹配和深度学习 - 使用辅助任务提升性能 - 中间排名的务实策略 --- ### 前排方案详细技术分析 #### 1st Place - group16 (Gilles Vandewiele et al.) **核心技巧：** - **PID Controller Matching**：核心创新，拟合测试集 PID 控制规律 - **LSTM + CNN + Transformer 混合架构**：深度学习部分 - **两阶段预测**：先用 PID 匹配 66% 数据，再用 DL 预测剩余 34% - **模型集成**：多个模型组合提升稳定性 **实现细节：** - **PID 逆向公式**： - 从 u_in 信号逆向推导目标压力 - 拟合 PID 参数：Kp, Ki, Kd - 对于 PID 控制的呼吸，MAE 可达到 0.05-0.08 - **深度学习模型**： ```python # LSTM + CNN + Transformer 混合架构 class VentilatorModel(nn.Module): def __init__(self): self.cnn = CNN1D(input_dim=5) # u_in, u_out, R, C, time_step self.lstm = LSTM(hidden_dim=256, num_layers=2) self.transformer = TransformerEncoder(num_layers=2, nhead=8) self.fc = Linear(256, 1) # 预测压力 def forward(self, x): # CNN 提取局部特征 x = self.cnn(x) # LSTM 建模时序依赖 x = self.lstm(x) # Transformer 捕获长距离依赖 x = self.transformer(x) # 预测压力 return self.fc(x) ``` - **两阶段策略**： 1. 识别测试集中哪些呼吸由 PID 控制（约 66%） 2. 对 PID 呼吸使用逆向公式 3. 对非 PID 呼吸使用深度学习模型 4. 最终集成两种预测 - **特征工程**： - 原始特征：u_in, u_out, R, C, time_step - 衍生特征：u_in 的累积和、差分、滚动统计 - 位置编码：sin/cos 位置嵌入 - 肺部属性编码：R 和 C 的 embedding - **训练策略**： - 损失函数：MAE + delta_pressure_MAE（多任务） - 优化器：AdamW (lr=1e-3, weight_decay=0.01) - 学习率调度：CosineAnnealingWarmRestarts - 早停：CV 15 epochs 无改善则停止 - **最终 MAE**：约 0.104 **代码仓库**：[GillesVandewiele/google-brain-ventilator](https://github.com/GillesVandewiele/google-brain-ventilator) --- #### 2nd Place - ambrosm **核心技巧：** - **The Inverse of a PID Controller**：纯粹的 PID 逆向方法 - **无需深度学习**：完全基于物理规律 - **数学拟合**：优化 PID 参数最小化误差 **实现细节：** - **PID 逆向公式**： ```python def pid_inverse(u_in, u_out, R, C): """ PID 控制器的逆向函数 从控制信号 u_in 推导目标压力 PID 公式：u_in = Kp * e + Ki * ∫e dt + Kd * de/dt 逆向：从 u_in 拟合目标压力 """ # 对每个呼吸单独拟合 pressures = [] for breath_id in unique_breaths: u_in_breath = u_in[breath_id] u_out_breath = u_out[breath_id] # 拟合 PID 参数 # 目标：最小化 u_in_pred - u_in_actual Kp, Ki, Kd = fit_pid_parameters(u_in_breath, u_out_breath) # 逆向计算压力 pressure = inverse_pid(u_in_breath, Kp, Ki, Kd, R, C) pressures.append(pressure) return pressures ``` - **参数优化**： - 使用 Scipy.optimize.minimize 优化 PID 参数 - 约束：Kp, Ki, Kd > 0 - 损失：MSE between u_in_pred 和 u_in_actual - **最终 MAE**：约 0.105 **技术特点**： - 最简洁的前排方案 - 无需训练模型 - 推理速度极快 - 但仅适用于 PID 控制的呼吸 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/ambrosm-2-solution-the-inverse-of-a-pid-controller) --- #### 3rd Place - Upstage **核心技巧：** - **Single Model without PID**：唯一不使用 PID 的前排方案 - **多任务损失**：同时预测压力和压力变化 - **数据增强**：时间扭曲、幅值缩放 - **物理约束损失**：加入呼吸力学先验 **实现细节：** - **模型架构**： ```python class UpstageModel(nn.Module): def __init__(self): self.embedding = Embedding(num_r_values * num_c_values, 64) self.lstm1 = LSTM(input_dim=64+3, hidden_dim=256, num_layers=2, bidirectional=True) self.lstm2 = LSTM(input_dim=512, hidden_dim=128, num_layers=1) self.fc_pressure = Linear(128, 1) self.fc_delta = Linear(128, 1) # 辅助任务 def forward(self, u_in, u_out, R, C): # 肺部属性嵌入 rc_embed = self.embedding(R * 100 + C) # 拼接输入 x = torch.cat([u_in, u_out, rc_embed], dim=-1) # LSTM 建模 x = self.lstm1(x) x = self.lstm2(x) # 多任务预测 pressure = self.fc_pressure(x) delta = self.fc_delta(x) return pressure, delta ``` - **多任务损失**： ```python def loss_function(pressure_pred, delta_pred, pressure_true): # 主任务：压力预测 loss_pressure = F.l1_loss(pressure_pred, pressure_true) # 辅助任务：压力差预测 delta_true = pressure_true[:, 1:] - pressure_true[:, :-1] loss_delta = F.l1_loss(delta_pred[:, :-1], delta_true) # 加权组合 return loss_pressure + 0.3 * loss_delta ``` - **数据增强**： - 时间扭曲：随机拉伸/压缩时间轴 - 幅值缩放：u_in 乘以 0.8-1.2 随机因子 - 噪声注入：加入高斯噪声 - **物理约束**： - 压力变化率约束：|dP/dt| < threshold - 压力范围约束：0 < P < 60 cmH2O - **最终 MAE**：0.0975（不含 PID 后处理） **技术特点**： - 最通用的前排方案 - 不依赖 PID 规律 - 可应用于新数据分布 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/upstage-making-ai-beneficial-3rd-place-single-mode) --- #### 4th Place - Jun Koda **核心技巧：** - **Hacking the PID Control**：深入分析 PID 控制规律 - **线性关系发现**：u_in 与目标压力线性相关 - **分段处理**：对不同阶段使用不同策略 **实现细节：** - **核心发现**： ```python # 吸气阶段（u_out = 0） # u_in 与目标 pressure 呈线性关系 u_in = α * pressure_target + β # 呼气阶段（u_out = 1） # 压力按指数衰减 pressure = pressure_peak * exp(-t / τ) # 其中 τ = R * C（时间常数） ``` - **逆向求解**： ```python def predict_pressure(u_in, u_out, R, C): pressures = [] for t in range(len(u_in)): if u_out[t] == 0: # 吸气 # 线性关系 pressure[t] = (u_in[t] - β) / α else: # 呼气 # 指数衰减 pressure[t] = pressure_peak * exp(-t / (R * C)) return pressures ``` - **参数拟合**： - α, β 通过线性回归拟合 - τ 通过非线性优化拟合 - 不同 R, C 组合使用不同参数 - **最终 MAE**：约 0.106 **技术特点**： - 深入理解 PID 控制原理 - 利用物理规律简化问题 - 计算效率极高 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/jun-koda-4th-place-solution-hacking-the-pid-contro) --- #### 6th Place - 0-0ggg **核心技巧：** - **Single Multi-task LSTM**：单模型多任务学习 - **Delta Pressure 预测**：辅助任务提升主任务 - **特征工程**：丰富的时序特征 **实现细节：** - **模型架构**： ```python class MultiTaskLSTM(nn.Module): def __init__(self, input_dim=5, hidden_dim=128): super().__init__() self.lstm = LSTM(input_dim, hidden_dim, num_layers=2, dropout=0.2) self.fc_pressure = Linear(hidden_dim, 1) self.fc_delta = Linear(hidden_dim, 1) def forward(self, x): # LSTM 编码 x, _ = self.lstm(x) # 多任务预测 pressure = self.fc_pressure(x) delta = self.fc_delta(x) return pressure, delta ``` - **特征工程**： - 原始特征：u_in, u_out, R, C - 时序特征：u_in 的 lag-1, lag-2, lag-3 - 统计特征：rolling mean, rolling std - 交互特征：u_in * R, u_in * C - 时间特征：sin/cos 时间编码 - **多任务训练**： ```python def train_step(model, batch): pressure_pred, delta_pred = model(batch) # 主任务损失 loss_pressure = mae_loss(pressure_pred, batch.pressure) # 辅助任务损失 delta_true = batch.pressure[:, 1:] - batch.pressure[:, :-1] loss_delta = mae_loss(delta_pred[:, :-1], delta_true) # 总损失 loss = loss_pressure + 0.2 * loss_delta return loss ``` - **最终 MAE**：约 0.108 **技术特点**： - 简洁有效的架构 - 多任务学习提升性能 - CV/LB 一致性好 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/0-0ggg-6th-place-solution-single-multi-task-lstm) --- #### 14th Place - pksha (Team "no pressure") **核心技巧：** - **Multitask LSTM**：同时预测压力和压力变化 - **Delta Pressure 辅助任务**：关键创新 - **集成策略**：多模型融合 **实现细节：** - **多任务设计**： ```python class MultitaskLSTM(nn.Module): def __init__(self): self.lstm = LSTM(input_dim=6, hidden_dim=128, num_layers=2, bidirectional=True) self.fc1 = Linear(256, 64) self.fc_pressure = Linear(64, 1) self.fc_delta = Linear(64, 1) def forward(self, x): x, _ = self.lstm(x) x = F.relu(self.fc1(x)) pressure = self.fc_pressure(x) delta = self.fc_delta(x) return pressure, delta ``` - **辅助任务价值**： - 预测 delta pressure：P[t] - P[t-1] - 帮助模型学习压力变化趋势 - CV/LB 提升 +0.01 ~ +0.015 - **最终 MAE**：约 0.112 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/pksha-no-pressure-14th-place-solution-multitask-ls) --- #### 16th Place - player2-has-flatlined **核心技巧：** - **Journey Writeup**：详细的开发历程 - **渐进优化**：从 baseline 到最终方案 - **务实策略**：平衡效果和复杂度 **实现细节：** - **开发历程**： 1. Baseline LSTM：MAE ~0.15 2. 加入特征工程：MAE ~0.13 3. 多任务学习：MAE ~0.115 4. 模型集成：MAE ~0.113 - **关键改进**： - 丰富特征工程 - 多任务学习（delta pressure） - 交叉验证策略优化 - 简单平均集成 - **最终 MAE**：约 0.113 **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/player2-has-flatlined-16th-place-journey-writeup-n) --- #### 20th Place - hyeongchan-nikita / kozistr **核心技巧：** - **Model & Multi-task Learning**：深度学习 + 多任务 - **Delta Pressure Auxiliary Loss**：核心技术 - **Top 1% 铜牌边界**：进入前 1% 的方案 **实现细节（kozistr）：** - **多任务损失**： ```python def multi_task_loss(pressure_pred, delta_pred, pressure_true): # 主任务 loss_pressure = F.l1_loss(pressure_pred, pressure_true) # 辅助任务：delta pressure delta_true = torch.diff(pressure_true, dim=1) loss_delta = F.l1_loss(delta_pred[:, :-1], delta_true) return loss_pressure + 0.15 * loss_delta ``` - **模型架构**： - LSTM（2 层，128 隐藏单元） - 特征：u_in, u_out, R, C + 统计特征 - Dropout：0.3 - **最终 MAE**：约 0.116（Top 1% 边界） **技术特点**： - 最简单的前排方案之一 - 证明了多任务学习的有效性 - CV/LB 提升 +0.01 ~ +0.015 **参考文章**：[Blog Post](https://kozistr.tech/2021-11-03-ventilator-pressure-prediction/) **Writeup**：[Kaggle Writeup](https://www.kaggle.com/competitions/ventilator-pressure-prediction/writeups/hyeongchan-nikita-20th-place-solution-model-multi-) --- ### Code Templates (代码模板) #### PID Controller Matching (1st Place 核心技巧) ```python import numpy as np from scipy.optimize import minimize def fit_pid_parameters(u_in, u_out, initial_pressure=0): """ 拟合 PID 控制器参数 Args: u_in: 控制信号 (array) u_out: 吸气/呼气标志 (array) initial_pressure: 初始压力 Returns: Kp, Ki, Kd: PID 参数 """ def pid_loss(params, u_in, u_out): Kp, Ki, Kd = params # 模拟 PID 控制器 pressure_pred = simulate_pid(u_in, u_out, Kp, Ki, Kd, initial_pressure) # 计算误差（逆向：从 u_in 预测 pressure 的误差） error = np.mean((u_in - target_from_pressure(pressure_pred)) ** 2) return error # 初始参数 x0 = [1.0, 0.1, 0.5] # 约束：参数必须为正 bounds = [(0, None), (0, None), (0, None)] # 优化 result = minimize(pid_loss, x0, args=(u_in, u_out), bounds=bounds) return result.x def simulate_pid(u_in, u_out, Kp, Ki, Kd, initial_pressure): """ PID 控制器模拟 Args: u_in: 控制信号 u_out: 吸气/呼气标志 Kp, Ki, Kd: PID 参数 initial_pressure: 初始压力 Returns: pressure: 预测的压力序列 """ n_steps = len(u_in) pressure = np.zeros(n_steps) pressure[0] = initial_pressure integral = 0 prev_error = 0 for t in range(1, n_steps): # 设定值（目标压力） setpoint = pressure[t-1] # 维持当前压力 # 过程变量（当前压力） pv = pressure[t-1] # 误差 error = setpoint - pv # 积分项 integral += error # 微分项 derivative = error - prev_error prev_error = error # PID 输出 output = Kp * error + Ki * integral + Kd * derivative # 肺部响应（一阶系统） # dP/dt = (u_in - P) / (R * C) R, C = get_rc_params(t) # 获取 R, C 参数 tau = R * C # 时间常数 pressure[t] = pressure[t-1] + (output - pressure[t-1]) / tau # 呼气阶段处理 if u_out[t] == 1: pressure[t] = pressure[t] * 0.9 # 衰减 return pressure def predict_pressure_pid(u_in, u_out, R, C): """ 使用 PID 逆向方法预测压力 Args: u_in: 控制信号 u_out: 吸气/呼气标志 R: 肺部电阻 C: 肺部顺应性 Returns: pressure: 预测压力 """ # 按呼吸分组 breath_ids = get_breath_ids(u_out) pressures = [] for breath_id in breath_ids: u_in_breath = u_in[breath_id] u_out_breath = u_out[breath_id] # 拟合 PID 参数 Kp, Ki, Kd = fit_pid_parameters(u_in_breath, u_out_breath) # 逆向预测压力 pressure_breath = inverse_pid(u_in_breath, u_out_breath, Kp, Ki, Kd, R, C) pressures.extend(pressure_breath) return np.array(pressures) def inverse_pid(u_in, u_out, Kp, Ki, Kd, R, C): """ PID 逆向：从 u_in 推导压力 简化版本：假设比例控制主导 u_in ≈ Kp * (target - current) => target ≈ u_in / Kp + current """ n_steps = len(u_in) pressure = np.zeros(n_steps) pressure[0] = 5 # 初始压力 for t in range(1, n_steps): if u_out[t] == 0: # 吸气 # 比例控制 pressure[t] = pressure[t-1] + u_in[t] / Kp else: # 呼气 # 指数衰减 tau = R * C pressure[t] = pressure[t-1] * np.exp(-1 / tau) return pressure ``` #### Multi-task LSTM (6th, 14th, 20th Place 技巧) ```python import torch import torch.nn as nn class MultiTaskVentilatorLSTM(nn.Module): """多任务 LSTM 模型""" def __init__(self, input_dim=5, hidden_dim=128, num_layers=2, dropout=0.2): super().__init__() # LSTM 层 self.lstm = nn.LSTM( input_size=input_dim, hidden_size=hidden_dim, num_layers=num_layers, dropout=dropout, batch_first=True, bidirectional=True ) # 全连接层 self.fc1 = nn.Linear(hidden_dim * 2, 64) self.dropout = nn.Dropout(dropout) # 多任务输出 self.fc_pressure = nn.Linear(64, 1) # 主任务：压力预测 self.fc_delta = nn.Linear(64, 1) # 辅助任务：压力差预测 def forward(self, x): # LSTM 编码 lstm_out, _ = self.lstm(x) # (batch, seq, hidden*2) # 全连接 out = F.relu(self.fc1(lstm_out)) out = self.dropout(out) # 多任务预测 pressure = self.fc_pressure(out).squeeze(-1) # (batch, seq) delta = self.fc_delta(out).squeeze(-1) # (batch, seq) return pressure, delta def multi_task_loss(pressure_pred, delta_pred, pressure_true, delta_weight=0.2): """ 多任务损失函数 Args: pressure_pred: 压力预测 (batch, seq) delta_pred: 压力差预测 (batch, seq) pressure_true: 真实压力 (batch, seq) delta_weight: 辅助任务权重 Returns: total_loss: 总损失 """ # 主任务：压力预测 MAE loss_pressure = F.l1_loss(pressure_pred, pressure_true) # 辅助任务：压力差预测 MAE # 计算真实压力差 delta_true = pressure_true[:, 1:] - pressure_true[:, :-1] delta_pred_trimmed = delta_pred[:, 1:] loss_delta = F.l1_loss(delta_pred_trimmed, delta_true) # 加权组合 total_loss = loss_pressure + delta_weight * loss_delta return total_loss # 训练循环 def train_model(model, train_loader, val_loader, num_epochs=30, lr=1e-3): optimizer = torch.optim.AdamW(model.parameters(), lr=lr, weight_decay=0.01) scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts( optimizer, T_0=10, T_mult=2 ) best_val_loss = float('inf') patience = 5 patience_counter = 0 for epoch in range(num_epochs): # 训练 model.train() train_loss = 0 for batch in train_loader: x = batch['features'] # (batch, seq, 5) y = batch['pressure'] # (batch, seq) optimizer.zero_grad() # 前向传播 pressure_pred, delta_pred = model(x) # 计算损失 loss = multi_task_loss(pressure_pred, delta_pred, y) # 反向传播 loss.backward() optimizer.step() train_loss += loss.item() # 验证 model.eval() val_loss = 0 with torch.no_grad(): for batch in val_loader: x = batch['features'] y = batch['pressure'] pressure_pred, delta_pred = model(x) loss = multi_task_loss(pressure_pred, delta_pred, y) val_loss += loss.item() # 学习率调度 scheduler.step() # 早停 if val_loss < best_val_loss: best_val_loss = val_loss patience_counter = 0 # 保存最佳模型 torch.save(model.state_dict(), 'best_model.pth') else: patience_counter += 1 if patience_counter >= patience: print(f'Early stopping at epoch {epoch}') break print(f'Epoch {epoch}: Train Loss={train_loss/len(train_loader):.4f}, ' f'Val Loss={val_loss/len(val_loader):.4f}') # 加载最佳模型 model.load_state_dict(torch.load('best_model.pth')) return model ``` #### 特征工程模板 ```python import numpy as np import pandas as pd def create_features(df): """ 创建时序特征 Args: df: 原始数据，包含列： - u_in: 控制信号 - u_out: 吸气/呼气标志 - R: 肺部电阻 - C: 肺部顺应性 - breath_id: 呼吸ID Returns: features: 特征 DataFrame """ df = df.copy() # 1. 基础特征 features = df[['u_in', 'u_out', 'R', 'C']].copy() # 2. 时序特征：滞后 for lag in [1, 2, 3]: features[f'u_in_lag{lag}'] = df['u_in'].shift(lag) # 3. 时序特征：差分 features['u_in_diff1'] = df['u_in'].diff() features['u_in_diff2'] = df['u_in'].diff(2) # 4. 统计特征：滚动窗口 for window in [5, 10]: features[f'u_in_rolling_mean_{window}'] = df['u_in'].rolling(window).mean() features[f'u_in_rolling_std_{window}'] = df['u_in'].rolling(window).std() features[f'u_in_rolling_max_{window}'] = df['u_in'].rolling(window).max() features[f'u_in_rolling_min_{window}'] = df['u_in'].rolling(window).min() # 5. 累积特征 features['u_in_cumsum'] = df['u_in'].cumsum() features['u_in_cummax'] = df['u_in'].cummax() # 6. 交互特征 features['u_in_R'] = df['u_in'] * df['R'] features['u_in_C'] = df['u_in'] * df['C'] features['R_C'] = df['R'] * df['C'] # 时间常数 # 7. 时间特征（位置编码） features['time_step'] = np.arange(len(df)) features['time_sin'] = np.sin(2 * np.pi * features['time_step'] / 80) features['time_cos'] = np.cos(2 * np.pi * features['time_step'] / 80) # 8. 呼吸级别特征 breath_groups = df.groupby('breath_id') features['u_in_breath_mean'] = breath_groups['u_in'].transform('mean') features['u_in_breath_max'] = breath_groups['u_in'].transform('max') features['u_in_breath_std'] = breath_groups['u_in'].transform('std') # 9. 阶段特征 features['u_out_lag1'] = df['u_out'].shift(1) features['inhale_start'] = (features['u_out_lag1'] == 1) & (df['u_out'] == 0) features['exhale_start'] = (features['u_out_lag1'] == 0) & (df['u_out'] == 1) # 10. 填充缺失值 features = features.fillna(method='bfill').fillna(0) return features # 使用示例 # df = pd.read_csv('train.csv') # features = create_features(df) # print(features.shape) ``` --- ### Best Practices (最佳实践) #### PID 控制器逆向策略 **适用场景：** - 测试集存在已知控制规律（如 PID） - 控制信号与目标存在可逆向的关系 **实现步骤：** 1. **分析控制规律**： - 绘制 u_in 与 pressure 的关系图 - 识别线性/非线性关系 - 分析不同阶段（吸气/呼气）的规律 2. **拟合逆向函数**： - 使用优化方法拟合参数 - 添加物理约束（如参数 > 0） - 分组拟合（不同 R, C 组合） 3. **混合策略**： - 对 PID 控制样本使用逆向方法 - 对非 PID 样本使用深度学习 - 加权融合两种预测 **注意事项：** | 问题 | 解决方案 | |------|---------| | 非线性关系 | 分段线性或使用非线性优化 | | 参数不稳定 | 正则化或参数约束 | | 部分样本不符合 PID | 使用残差模型校正 | #### 多任务学习策略 **辅助任务选择：** - **Delta Pressure**：预测 P[t] - P[t-1]（最常用） - **压力分类**：同时预测压力范围（辅助回归） - **阶段预测**：预测吸气/呼气阶段（多任务） **损失权重调优：** ```python # 网格搜索最佳权重 for delta_weight in [0.1, 0.15, 0.2, 0.25, 0.3]: loss = multi_task_loss(pressure_pred, delta_pred, pressure_true, delta_weight) # 验证集评估 val_mae = evaluate(val_loader, delta_weight) print(f'delta_weight={delta_weight}: val_mae={val_mae:.4f}') ``` **最佳实践：** | 技巧 | 说明 | |------|------| | 渐进式训练 | 先训练主任务，再加入辅助任务 | | 权重衰减 | 逐渐降低辅助任务权重 | | 多个辅助任务 | 可组合多个辅助任务 | | 早停基于主任务 | 验证集只看主任务性能 | #### 交叉验证策略 **Group K-Fold：** ```python from sklearn.model_selection import GroupKFold # 确保同一 breath 的样本不分散 gkf = GroupKFold(n_splits=5) for fold, (train_idx, val_idx) in enumerate(gkf.split(X, y, groups=df['breath_id'])): print(f'Fold {fold}: Train={len(train_idx)}, Val={len(val_idx)}') X_train, X_val = X[train_idx], X[val_idx] y_train, y_val = y[train_idx], y[val_idx] # 训练模型 model = train_model(X_train, y_train) ``` **时间序列分割：** ```python from sklearn.model_selection import TimeSeriesSplit # 按时间顺序分割 tscv = TimeSeriesSplit(n_splits=5) for fold, (train_idx, val_idx) in enumerate(tscv.split(X)): # 训练集在验证集之前 X_train, X_val = X[train_idx], X[val_idx] y_train, y_val = y[train_idx], y[val_idx] ``` #### 模型集成策略 **集成方法：** | 方法 | 使用排名 | 说明 | |------|---------|------| | **简单平均** | 所有排名 | 最常用，稳定可靠 | | **加权平均** | 部分排名 | 需要验证集调优权重 | | **Stacking** | 高排名 | 用元模型学习组合 | | **不同架构** | 1st, 3rd | LSTM + Transformer + CNN | **集成代码：** ```python def ensemble_predictions(predictions_list, weights=None): """ 集成多个模型的预测 Args: predictions_list: 预测列表 [(n_samples, n_steps), ...] weights: 权重列表，None 表示简单平均 Returns: ensemble_pred: 集成预测 """ if weights is None: # 简单平均 ensemble_pred = np.mean(predictions_list, axis=0) else: # 加权平均 ensemble_pred = np.average(predictions_list, axis=0, weights=weights) return ensemble_pred # 使用示例 # pred1 = model1.predict(X_val) # pred2 = model2.predict(X_val) # pred3 = model3.predict(X_val) # # # 简单平均 # ensemble = ensemble_predictions([pred1, pred2, pred3]) # # # 加权平均 # weights = [0.3, 0.3, 0.4] # ensemble = ensemble_predictions([pred1, pred2, pred3], weights) ``` #### 常见陷阱和注意事项 | 陷阱 | 说明 | 解决方案 | |------|------|---------| | **过拟合 PID 规律** | 模型只对 PID 样本有效 | 加入真实呼吸样本训练 | | **数据泄露** | 使用未来信息 | 严格按时间切分 | | **多任务权重不当** | 辅助任务干扰主任务 | 调优权重或渐进训练 | | **集成过拟合** | 集成太多模型 | 3-5 个模型即可 | | **特征工程过度** | 特征比样本还多 | 特征选择和降维 | | **验证集策略错误** | 同一 breath 分散到训练和验证 | Group K-Fold | --- ## Metadata | Source | Date | Tags | |--------|------|------| | [HMS - Harmful Brain Activity Classification](https://www.kaggle.com/competitions/hms-harmful-brain-activity-classification) | 2025-01-22 | EEG, 分类, CWT, Entmax, 2-Stage Training, KL-Divergence | | [Child Mind Institute - Detect Sleep States](https://www.kaggle.com/competitions/child-mind-institute-detect-sleep-states) | 2025-01-22 | 睡眠检测, 事件检测, 两阶段建模, 后处理优化, 多tolerance AP | | [Child Mind Institute - Detect Behavior with Sensor Data](https://www.kaggle.com/competitions/cmi-detect-behavior-with-sensor-data) | 2025-01-22 | 多模态时序, IMU+TOF+THM, 行为识别, 阶段感知Attention, 匈牙利算法 | | [BirdCLEF 2024](https://www.kaggle.com/competitions/birdclef-2024) | 2026-01-23 | 音频分类, 生物声学, Statistics T过滤, Google Classifier预标注, CE Loss, Sigmoid推理, Min Ensemble, Checkpoint Soup, 伪标签迭代, 120分钟推理限制 | | [BirdCLEF+ 2025](https://www.kaggle.com/competitions/birdclef-2025) | 2026-01-22 | 音频分类, 生物声学, Noisy Student, 自蒸馏, SED模型, 伪标签, Mel-Spectrogram, Soft AUC Loss, 90分钟推理限制 | | [Google Brain - Ventilator Pressure Prediction](https://www.kaggle.com/c/ventilator-pressure-prediction) | 2026-01-23 | 时序回归, PID逆向, 多任务学习, Delta Pressure, LSTM+Transformer, MAE, 2,605队伍 | | [Cornell Birdcall Identification (BirdCLEF 2020)](https://www.kaggle.com/competitions/birdsong-recognition) | 2026-01-23 | 音频分类, 生物声学, ResNeSt, Attention Pooling, Mel-Spectrogram, Weak Supervision, GAN伪标签, Ensemble, F1-Score, 1,390队伍 | | [BirdCLEF 2021 - Birdcall Identification](https://www.kaggle.com/competitions/birdclef-2021) | 2026-01-23 | 音频分类, 生物声学, PANNs, 弱监督, Mixup, SpecAugment, Attention Mechanism, F1-Score, 1,700队伍 | | [BirdCLEF 2022 - Endangered Bird Sounds](https://www.kaggle.com/competitions/birdclef-2022) | 2026-01-23 | 音频分类, 濒危物种, BirdNet, Perch, SED, 多尺度输入, AND规则, Framewise预测, F1-Score, 1,600队伍 | | [Rainforest Connection Species Audio Detection 2021](https://www.kaggle.com/competitions/rfcx-species-audio-detection) | 2026-01-23 | 音频检测, 生物声学, LWLRAP, Mel-Spectrogram as Image, ResNeSt, EfficientNet, ImageNet预训练, 2,200队伍 | | [AMP®-Parkinson's Disease Progression Prediction](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction) | 2026-01-23 | 表格时序回归, 蛋白质数据, Gradient Boosting, SMAPE, XGBoost/LightGBM, 2,500队伍 | --- ## Cornell Birdcall Identification (BirdCLEF 2020) **竞赛背景：** - **主办方**：Cornell Lab of Ornithology - **目标**：识别音频录音中的鸟类叫声（多标签音频分类） - **应用场景**：鸟类种群监测，生物声学研究，生态系统保护 - **数据集规模**： - 训练音频：2,000+ 段录音，涵盖 264 种鸟类 - 测试音频：约 200 段连续录音（soundscape） - 采样率： varied (通常 44.1kHz 或 48kHz) - **评估指标**：micro-averaged F1-score（需要预测鸟类在 5 秒时间窗口内的出现） - **最终排名**： - 1st Place: Ryan Wong - F1 ~0.71 - 2nd Place: niw - 3rd Place: TheoViel - 总参赛队伍：1,390 支 ### 前排方案详细技术分析 #### 1st Place - ResNeSt + Attention Pooling + Large Ensemble (Ryan Wong) 核心技巧： - **ResNeSt Split-Attention Network**：使用 ResNeSt-50 作为主干网络 - **Attention Pooling**：替代传统的全局平均池化 - **Large Voting Ensemble**：13 模型投票集成，需要至少 4 票 - **Mel-Spectrogram Preprocessing**：对数 Mel 频谱特征 - **数据增强**：粉红噪声、高斯噪声、音量调整 - **Multi-Scale Training**：不同音频片段长度 实现细节： - **音频预处理**： - 重采样到 32kHz 或 44.1kHz - 使用短时傅里叶变换（STFT）计算 Mel-spectrogram - 对数尺度转换：log(1 + mel) - 时间维度：5 秒窗口 - **模型架构**： - ResNeSt-50 (Split-Attention variants of ResNet) - 在 ImageNet 上预训练 - 替换最后的全连接层为 Attention Pooling - 输出层：264 类二分类（多标签） - **Attention Pooling 实现**： ```python class AttentionPooling(nn.Module): def __init__(self, input_dim, hidden_dim=128): super().__init__() self.attention = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.Tanh(), nn.Linear(hidden_dim, 1) ) def forward(self, x): # x: (batch, time, features) weights = F.softmax(self.attention(x), dim=1) return (x * weights).sum(dim=1) ``` - **集成策略**： - 13 个模型的投票集成 - 每个预测需要至少 4 票才认为鸟类存在 - 基于 LB 分数选择模型 - 不同 checkpoint 和数据增强配置 - **数据增强**： - Mixup（混合增强） - 背景噪声添加 - 音高变换（pitch shifting） - 时间拉伸（time stretching） - **训练配置**： - Loss：Binary Cross-Entropy - Optimizer：AdamW - Learning Rate：1e-3（带 cosine annealing） - Batch Size：32 - Epochs：~30 #### 2nd Place - Efficient Ensemble with Strong Data Augmentation (niw) 核心技巧： - **ResNet50-based Models**：多个 ResNet50 变体 - **Aggressive Data Augmentation**：激进的音频增强 - **Spectral Features**：多种频谱特征组合 - **Prediction Thresholding**：预测阈值优化 - **Cross-Validation Ensemble**：交叉验证集成 实现细节： - **特征工程**： - Mel-spectrogram（128 Mel bins） - MFCC（Mel-Frequency Cepstral Coefficients） - Chroma features - Spectral contrast - **模型变体**： - ResNet50（预训练） - EfficientNet-B0 - DenseNet-121 - **增强策略**： - 时间遮罩（SpecAugment Time Masking） - 频率遮罩（Frequency Masking） - 添加背景噪声 - 音量随机化 - **后处理**： - 类别特定的阈值优化 - 时间平滑（temporal smoothing） - 最小持续时间过滤 #### 3rd Place - Simple yet Effective Approach (TheoViel) 核心技巧： - **Pre-trained ResNeSt**：使用预训练的 ResNeSt 模型 - **Mel-Spectrogram Input**：标准 Mel 频谱 - **Strong Baseline**：简洁但强大的基线模型 - **Moderate Ensemble**：中等规模集成 - **Careful Validation**：仔细的验证策略 实现细节： - **音频处理**： - 重采样到 44.1kHz - 5 秒固定窗口 - 128 Mel bins - 对数幅度压缩 - **模型架构**： - ResNeSt50（预训练） - Global Average Pooling - Sigmoid 激活 - **训练策略**： - 5-fold 交叉验证 - Early stopping - Learning rate scheduling - **集成方法**： - 5-7 个模型的平均 - 不同随机种子 #### 4th Place - Logmels Spectral Features (dimabert & ususani) 核心技巧： - **Logmels Features**：对数 Mel 频谱作为主要特征 - **Audio Normalization**：音频标准化处理 - **32kHz Resampling**：统一采样率 - **CNN Ensemble**：多个 CNN 模型集成 实现细节： - **音频预处理**： - 重采样到 32,000 Hz - 音频归一化（RMS normalization） - 固定长度窗口 - **特征提取**： - Logmels（对数 Mel-spectrogram） - 128 Mel bins - 时间帧数：约 500 帧/5秒 - **模型选择**： - ResNet50 - ResNeSt50 - EfficientNet - **Loss Function**： - Binary Cross-Entropy - Label Smoothing #### 5th Place - Dual Approach with Different Architectures (Kramarenko Vladislav) 核心技巧： - **Multiple Approaches**：尝试了两种不同的方法 - **Different CNN Architectures**：不同的 CNN 架构 - **Feature Engineering**：特征工程优化 - **Prediction Blending**：预测结果混合 实现细节： - **方法 1**：ResNet50 + Mel-spectrogram - **方法 2**：Custom CNN + MFCC features - **最终集成**：两种方法的加权平均 #### 6th Place - Sound Event Detection with Attention (Deep) 核心技巧： - **SED Framework**：声音事件检测框架 - **ResNeSt50 Encoder**：ResNeSt50 编码器 - **Attention Mechanism**：注意力机制 - **Strong Augmentation**：强数据增强 - **Post-processing**：后处理优化 实现细节： - **模型架构**： - ResNeSt50 作为特征提取器 - Temporal Attention Module - Multi-head Attention - **训练技巧**： - Mixup augmentation - CutMix - SpecAugment #### 7th Place - Three Geese and a GAN (CPJKU) 核心技巧： - **Weak Supervision**：弱监督学习 - **Generative Augmentation**：使用 GAN 生成增强数据 - **Pseudo-labeling**：伪标签策略 - **Strong Single Model**：强大的单模型 - **Note**：该方案可修改后达到 1-2 名成绩 实现细节： - **GAN-based Augmentation**： - 使用生成对抗网络生成合成音频 - 增加稀有鸟类的样本 - 条件 GAN（conditional GAN） - **弱监督策略**： - 利用未标注数据 - 自训练（self-training） - 伪标签迭代优化 - **模型架构**： - Modified ResNet - Attention pooling - Multi-task learning - **训练流程**： - Stage 1: 在标注数据上训练 - Stage 2: 生成伪标签 - Stage 3: 在标注+伪标签数据上微调 #### 17th Place - File-level Post-processing 核心技巧： - **File-level Aggregation**：文件级别聚合 - **Temporal Smoothing**：时间平滑 - **Threshold Optimization**：阈值优化 - **Ensemble Diversification**：集成多样化 实现细节： - **后处理策略**： - 同一文件内的预测平滑 - 移除短于阈值的检测 - 类别特定的阈值 - **集成方法**： - 多个 checkpoint 平均 - 不同架构的集成 ### 代码模板 #### Mel-Spectrogram 特征提取 ```python import torch import torch.nn as nn import torchaudio import numpy as np class MelSpectrogramExtractor: def __init__(self, sample_rate=32000, n_mels=128, n_fft=2048, hop_length=512): self.sample_rate = sample_rate self.n_mels = n_mels self.n_fft = n_fft self.hop_length = hop_length # Mel-spectrogram transform self.mel_transform = torchaudio.transforms.MelSpectrogram( sample_rate=sample_rate, n_fft=n_fft, hop_length=hop_length, n_mels=n_mels, f_min=0, f_max=16000 ) # Amplitude to dB self.amplitude_to_db = torchaudio.transforms.AmplitudeToDB() def extract(self, waveform): """提取 Mel-spectrogram 特征""" # Compute mel-spectrogram mel_spec = self.mel_transform(waveform) # Convert to dB scale mel_spec_db = self.amplitude_to_db(mel_spec) # Normalize to [0, 1] mel_spec_norm = (mel_spec_db - mel_spec_db.min()) / (mel_spec_db.max() - mel_spec_db.min() + 1e-8) return mel_spec_norm # 使用示例 extractor = MelSpectrogramExtractor(sample_rate=32000, n_mels=128) waveform, sr = torchaudio.load("bird_audio.wav") if sr != 32000: resampler = torchaudio.transforms.Resample(sr, 32000) waveform = resampler(waveform) mel_spec = extractor.extract(waveform) ``` #### ResNeSt + Attention Pooling 模型 ```python import torch import torch.nn as nn import torch.nn.functional as F class AttentionPooling2d(nn.Module): """2D Attention Pooling for spectrograms""" def __init__(self, in_channels, hidden_dim=128): super().__init__() self.attention = nn.Sequential( nn.Conv2d(in_channels, hidden_dim, kernel_size=1), nn.BatchNorm2d(hidden_dim), nn.Tanh(), nn.Conv2d(hidden_dim, 1, kernel_size=1) ) def forward(self, x): # x: (batch, channels, time, freq) attn_weights = F.softmax(self.attention(x), dim=(2, 3)) return (x * attn_weights).sum(dim=(2, 3)) class BirdcallClassifier(nn.Module): def __init__(self, num_classes=264, pretrained=True): super().__init__() # ResNeSt backbone (需要安装 resnest 库) from resnest.torch import resnest50 self.backbone = resnest50(pretrained=pretrained) # 替换最后的全连接层 self.backbone.fc = nn.Identity() # Attention pooling self.attention_pool = AttentionPooling2d(2048, hidden_dim=128) # Classifier head self.classifier = nn.Sequential( nn.Dropout(0.3), nn.Linear(2048, 512), nn.ReLU(), nn.Dropout(0.2), nn.Linear(512, num_classes) ) def forward(self, x): # x: (batch, channels, time, freq) - Mel-spectrogram features = self.backbone(x) # (batch, 2048, H, W) pooled = self.attention_pool(features) # (batch, 2048) logits = self.classifier(pooled) # (batch, num_classes) return logits # 使用示例 model = BirdcallClassifier(num_classes=264, pretrained=True) mel_spec_batch = torch.randn(8, 3, 224, 512) # (batch, channels, freq, time) logits = model(mel_spec_batch) probs = torch.sigmoid(logits) # Multi-label prediction ``` #### 数据增强 ```python import torch import torchaudio import random class BirdcallAugmentation: def __init__(self, sample_rate=32000): self.sample_rate = sample_rate def add_noise(self, waveform, noise_level=0.005): """添加高斯噪声""" noise = torch.randn_like(waveform) * noise_level return waveform + noise def add_pink_noise(self, waveform, alpha=1): """添加粉红噪声（1/f 噪声）""" # 简化的粉红噪声生成 white_noise = torch.randn_like(waveform) # 在频域应用 1/f 滤波 freq_noise = torch.fft.rfft(white_noise) freqs = torch.fft.rfftfreq(waveform.shape[-1], 1/self.sample_rate) pink_filter = 1 / (freqs[1:] + 1e-8) ** alpha freq_noise[:, 1:] *= pink_filter pink_noise = torch.fft.irfft(freq_noise, n=waveform.shape[-1]) return waveform + pink_noise * 0.01 def time_mask(self, mel_spec, max_mask_pct=0.1): """时间遮罩（SpecAugment）""" batch, channels, time, freq = mel_spec.shape mask_len = int(time * max_mask_pct) t = random.randint(0, mask_len) t0 = random.randint(0, time - t) mel_spec[:, :, t0:t0+t, :] = 0 return mel_spec def freq_mask(self, mel_spec, max_mask_pct=0.1): """频率遮罩""" batch, channels, time, freq = mel_spec.shape mask_len = int(freq * max_mask_pct) f = random.randint(0, mask_len) f0 = random.randint(0, freq - f) mel_spec[:, :, :, f0:f0+f] = 0 return mel_spec def pitch_shift(self, waveform, shift=2.0): """音高变换""" # 简化实现：使用 resampling # 实际应用中可用更高级的库如 pydub 或 librosa n_steps = int(shift * 10) resampler = torchaudio.transforms.Resample( self.sample_rate, int(self.sample_rate * (1 + shift * 0.1)) ) return resampler(waveform) def gain(self, waveform, min_gain=0.5, max_gain=1.5): """音量调整""" gain = random.uniform(min_gain, max_gain) return waveform * gain # 使用示例 augmentation = BirdcallAugmentation(sample_rate=32000) waveform, sr = torchaudio.load("bird_audio.wav") # 应用增强 waveform_aug = augmentation.add_noise(waveform) waveform_aug = augmentation.gain(waveform_aug) ``` #### 训练循环 ```python import torch import torch.nn as nn from torch.utils.data import DataLoader def train_epoch(model, dataloader, criterion, optimizer, device, augmentation=None): model.train() total_loss = 0 for batch in dataloader: waveforms, labels = batch waveforms = waveforms.to(device) labels = labels.to(device) # 数据增强（训练时） if augmentation is not None: # 在 Mel-spectrogram 上应用增强 pass # 前向传播 logits = model(waveforms) loss = criterion(logits, labels.float()) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(dataloader) def train_model(model, train_loader, val_loader, num_epochs=30, device='cuda'): criterion = nn.BCEWithLogitsLoss() optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=num_epochs) best_val_score = 0 for epoch in range(num_epochs): # 训练 train_loss = train_epoch(model, train_loader, criterion, optimizer, device) # 验证 val_score, val_loss = validate(model, val_loader, criterion, device) # 学习率调度 scheduler.step() print(f"Epoch {epoch+1}/{num_epochs}") print(f"Train Loss: {train_loss:.4f}") print(f"Val Loss: {val_loss:.4f}") print(f"Val F1: {val_score:.4f}") # 保存最佳模型 if val_score > best_val_score: best_val_score = val_score torch.save(model.state_dict(), 'best_model.pth') return model ``` #### 集成与后处理 ```python import numpy as np import pandas as pd class EnsemblePredictor: def __init__(self, models, threshold=0.5, min_votes=4): """ Args: models: 模型列表 threshold: 二值化阈值 min_votes: 最小投票数（如 1st place 用 4 票） """ self.models = models self.threshold = threshold self.min_votes = min_votes def predict(self, mel_spec_batch): """集成预测""" all_predictions = [] for model in self.models: model.eval() with torch.no_grad(): logits = model(mel_spec_batch) probs = torch.sigmoid(logits) binary = (probs > self.threshold).float() all_predictions.append(binary.cpu().numpy()) # 投票集成 all_predictions = np.array(all_predictions) # (n_models, batch, num_classes) votes = all_predictions.sum(axis=0) # (batch, num_classes) # 需要至少 min_votes 票 final_pred = (votes >= self.min_votes).astype(int) return final_pred def temporal_post_process(predictions, window_size=3, min_duration=3): """ 时间后处理 Args: predictions: (time_steps, num_classes) 二值预测 window_size: 平滑窗口大小 min_duration: 最小持续时间（时间步） """ smoothed = predictions.copy() # 时间平滑（多数投票） for i in range(predictions.shape[0]): start = max(0, i - window_size // 2) end = min(predictions.shape[0], i + window_size // 2 + 1) window = predictions[start:end] smoothed[i] = (window.sum(axis=0) > window_size // 2).astype(int) # 移除短于阈值的检测 final = smoothed.copy() for c in range(predictions.shape[1]): col = smoothed[:, c] # 找连续段 changes = np.diff(col, prepend=0, append=0) starts = np.where(changes == 1)[0] ends = np.where(changes == -1)[0] for s, e in zip(starts, ends): if e - s < min_duration: final[s:e, c] = 0 return final def create_submission(predictions, audio_ids, bird_species): """ 创建提交文件 Args: predictions: (n_samples, num_classes) 二值预测 audio_ids: 音频文件 ID 列表 bird_species: 鸟类名称列表 """ rows = [] for audio_id, pred in zip(audio_ids, predictions): active_birds = [bird_species[i] for i, p in enumerate(pred) if p == 1] if active_birds: rows.append({ 'row_id': f"{audio_id}", 'birds': ' '.join(active_birds) }) else: rows.append({ 'row_id': f"{audio_id}", 'birds': 'nocall' }) submission = pd.DataFrame(rows) return submission ``` ### 最佳实践 1. **音频预处理标准化**： - 统一采样率（32kHz 或 44.1kHz） - 使用高质量的 Mel-spectrogram 参数（n_fft=2048, hop_length=512, n_mels=128） - 对数幅度压缩（log 或 dB 转换） 2. **模型选择**： - ResNeSt 表现最佳（split-attention 机制） - 在 ImageNet 上预训练的模型迁移效果好 - Attention Pooling 优于 Global Average Pooling 3. **数据增强策略**： - SpecAugment（时间/频率遮罩）是必需的 - Mixup 有助于提高泛化能力 - 添加背景噪声提高鲁棒性 - GAN 生成增强数据可以提升稀有类别性能 4. **集成方法**： - 投票集成优于平均集成 - 设置最小投票数阈值（如 4 票）可减少误报 - 使用不同 checkpoint 和随机种子增加多样性 5. **后处理优化**： - 时间平滑可以减少闪烁 - 移除短于阈值的检测 - 类别特定的阈值优化 6. **验证策略**： - 使用 5-fold 交叉验证 - 仔细设计验证集以反映测试集分布 - 监控 micro-F1 分数 7. **训练技巧**： - 使用 AdamW 优化器 - Cosine annealing 学习率调度 - Binary Cross-Entropy Loss - Label smoothing 有助于正则化 8. **常见陷阱**： - 避免过度拟合训练集的音频特征 - 注意类别不平衡问题 - 验证集和测试集可能有不同的分布 - 推理时间限制（如果有）需要考虑模型效率 --- ## BirdCLEF 2021 - Birdcall Identification **竞赛背景：** - **主办方**：Cornell Lab of Ornithology + LifeCLEF - **目标**：识别音频录音中的鸟类叫声（弱监督多标签音频分类） - **应用场景**：鸟类种群监测，生物声学研究，生态系统保护 - **数据集规模**： - 训练音频：约 3,900 段录音，涵盖 397 种鸟类 - 测试音频：约 2,600 段连续录音（soundscape） - 弱监督标注：只有音频级别的标签，无时间戳 - **评估指标**：micro-averaged F1-score - **最终排名**： - 1st Place: DR (kami634) - 弱监督方案 - 2nd Place: Christof Henkel - 3rd Place: shiro - 总参赛队伍：约 1,700+ 支 ### 前排方案详细技术分析 #### 1st Place - Weak Supervision with PANNs (DR) 核心技巧： - **Pre-trained Audio Neural Networks (PANNs)**：使用预训练的音频神经网络 - **Weak Supervision Strategy**：弱监督学习策略 - **Attention Mechanisms**：自注意力机制用于音频分类 - **Spectrogram-based Features**：基于频谱图的特征 - **Model Ensemble**：多模型集成 - **Post-processing**：后处理优化 实现细节： - **基础模型**： - 使用预训练的 PANNs (Pre-trained Audio Neural Networks) - 包括 CNN14, CNN10, ResNet38 等架构 - 在 AudioSet 上预训练 - 迁移学习到鸟类叫声分类 - **特征提取**： - Mel-spectrogram（64/128 Mel bins） - 对数幅度压缩 - 多尺度时间窗口 - **弱监督策略**： - 仅使用音频级别的标签（无时间戳） - 通过注意力机制定位关键区域 - 多实例学习（Multiple Instance Learning） - **模型架构**： - CNN-based 特征提取器 - Self-Attention 层 - Global Pooling + 分类器 - **集成方法**： - 多个 PANNs 模型集成 - 不同架构和预训练权重 - 投票或平均策略 - **数据增强**： - Mixup - SpecAugment - 背景噪声添加 - **后处理**： - 时间平滑 - 阈值优化 - 类别特定的后处理 #### 2nd Place - New Baseline with Strong Augmentation (Christof Henkel) 核心技巧： - **New Baseline Architecture**：新颖的基线架构 - **Mixup Augmentation**：Mixup 数据增强 - **Background Noise Addition**：背景噪声添加 - **Pseudo-labeling**：伪标签策略 - **5-second Segment Inference**：5秒片段推理 - **Strong Single Model**：强大的单模型 实现细节： - **模型选择**： - ResNet50 / ResNeSt50 - EfficientNet variants - DenseNet-based models - **音频预处理**： - 重采样到 32kHz - Mel-spectrogram 提取 - 标准化处理 - **增强策略**： - Mixup（强制使用） - 时间遮罩（Time Masking） - 频率遮罩（Frequency Masking） - 背景噪声混合 - **伪标签**： - 使用训练好的模型预测未标注数据 - 高置信度预测作为伪标签 - 迭代训练 - **训练配置**： - Binary Cross-Entropy Loss - AdamW 优化器 - Cosine 学习率衰减 - 5-fold 交叉验证 - **推理策略**： - 5秒滑动窗口 - 窗口间有重叠 - 多个窗口预测聚合 #### 3rd Place - Ensemble with Multiple Approaches (shiro) 核心技巧： - **Multiple Model Families**：多族模型集成 - **Spectral Feature Engineering**：频谱特征工程 - **Cross-Validation Strategy**：交叉验证策略 - **Post-processing Pipeline**：后处理流程 - **Attention-based Models**：基于注意力的模型 实现细节： - **模型选择**： - ResNet variants - DenseNet variants - EfficientNet variants - Custom CNN architectures - **特征多样性**： - 不同 Mel-spectrogram 参数 - MFCC features - Chroma features - Spectral contrast - **训练策略**： - 5-fold 交叉验证 - Early stopping - Learning rate scheduling - **集成方法**： - 加权平均 - 基于验证集权重优化 - 不同 checkpoint 集成 #### 4th Place - Third Time's The Charm (tattaka) 核心技巧： - **Iterative Improvement**：迭代改进策略 - **Strong Data Augmentation**：强数据增强 - **Spectrogram Preprocessing**：频谱预处理优化 - **Model Architecture Search**：模型架构搜索 - **Ensemble Optimization**：集成优化 实现细节： - **音频处理**： - 高质量 Mel-spectrogram 参数调优 - 多种时间窗口长度 - 频率范围选择 - **模型架构**： - ResNet50 - ResNeSt50 - DenseNet-121 - **增强组合**： - SpecAugment（多种参数） - Mixup + CutMix - 噪声增强 - 音高变换 - **训练技巧**： - 渐进式训练 - 迭代优化 - A/B 测试不同策略 #### 5th Place - Dual Approach Blending (Kramarenko Vladislav) 核心技巧： - **Multiple Approaches**：多种方法尝试 - **Different Feature Sets**：不同特征集 - **Blending Strategy**：混合策略 - **Spectral Analysis**：频谱分析 实现细节： - **方法 1**：CNN + Mel-spectrogram - **方法 2**：Gradient Boosting + 手工特征 - **最终集成**：两种方法加权混合 #### 6th-10th Place 概述 **常见技术**： - PANNs 预训练模型广泛使用 - SpecAugment 成为标准增强 - Mixup 几乎所有前排方案使用 - 5-fold 交叉验证是标准配置 - Mel-spectrogram 是主流特征 **关键技术点**： - **弱监督处理**：使用注意力机制定位音频中的鸟类叫声 - **数据增强**：SpecAugment + Mixup + 背景噪声 - **模型集成**：多架构、多 checkpoint 集成 - **后处理**：时间平滑、阈值优化、类别特定处理 ### 代码模板 #### PANNs 模型加载和使用 ```python import torch import torch.nn as nn # 需要安装: pip install torchlibrosa from torchlibrosa.stft import Spectrogram, LogmelFilterBank class PANNsCNN14(nn.Module): """ 基于 PANNs CNN14 的模型 参考: https://github.com/qiuqiangkong/audioset_tagging_cnn """ def __init__(self, sample_rate=32000, window_size=512, hop_size=320, mel_bins=64, fmin=50, fmax=14000, num_classes=397): super().__init__() window = 'hann' center = True pad_mode = 'reflect' ref = 1.0 amin = 1e-10 top_db = None # Spectrogram extractor self.spectrogram_extractor = Spectrogram( n_fft=window_size, hop_length=hop_size, win_length=window_size, window=window, center=center, pad_mode=pad_mode, freeze_parameters=True) # Logmel feature extractor self.logmel_extractor = LogmelFilterBank( sr=sample_rate, n_fft=window_size, n_mels=mel_bins, fmin=fmin, fmax=fmax, ref=ref, amin=amin, top_db=top_db, freeze_parameters=True) # SpecAugment (训练时使用) self.spec_augment = SpecAugmentation( time_drop_width=64, time_stripes_num=2, freq_drop_width=8, freq_stripes_num=2) # CNN14 backbone self.bn0 = nn.BatchNorm2d(mel_bins) self.conv_block1 = ConvBlock(in_channels=1, out_channels=64) self.conv_block2 = ConvBlock(in_channels=64, out_channels=128) self.conv_block3 = ConvBlock(in_channels=128, out_channels=256) self.conv_block4 = ConvBlock(in_channels=256, out_channels=512) self.conv_block5 = ConvBlock(in_channels=512, out_channels=1024) self.conv_block6 = ConvBlock(in_channels=1024, out_channels=2048) self.fc1 = nn.Linear(2048, 2048, bias=True) self.fc_audioset = nn.Linear(2048, num_classes, bias=True) self.init_weight() def init_weight(self): init_bn(self.bn0) init_layer(self.fc1) init_layer(self.fc_audioset) def forward(self, input, mixup_lambda=None, device='cuda'): """ Args: input: (batch_size, time_samples) Returns: output: (batch_size, num_classes) """ # Spectrogram x = self.spectrogram_extractor(input) # (batch, 1, time, freq) x = self.logmel_extractor(x) # (batch, 1, time, mel_bins) # BN x = x.transpose(1, 3) x = self.bn0(x) x = x.transpose(1, 3) # SpecAugment (仅训练时) if self.training: x = self.spec_augment(x) # CNN blocks x = self.conv_block1(x, pool_size=(2, 2), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) x = self.conv_block2(x, pool_size=(2, 2), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) x = self.conv_block3(x, pool_size=(2, 2), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) x = self.conv_block4(x, pool_size=(2, 2), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) x = self.conv_block5(x, pool_size=(2, 2), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) x = self.conv_block6(x, pool_size=(1, 1), pool_type='avg') x = F.dropout(x, p=0.2, training=self.training) # Global pooling x = torch.mean(x, dim=3) # (batch, channels, time) (x1, _) = torch.max(x, dim=2) # (batch, channels) x2 = torch.mean(x, dim=2) # (batch, channels) x = x1 + x2 # (batch, channels) x = F.dropout(x, p=0.5, training=self.training) x = F.relu_(self.fc1(x)) embedding = F.dropout(x, p=0.5, training=self.training) clipwise_output = torch.sigmoid(self.fc_audioset(x)) return clipwise_output def load_from_pretrained(self, pretrained_path): """加载预训练权重""" checkpoint = torch.load(pretrained_path, map_location='cpu') model_state = self.state_dict() pretrained_state = checkpoint['model'] # 过滤不匹配的键 pretrained_state = {k: v for k, v in pretrained_state.items() if k in model_state and v.shape == model_state[k].shape} model_state.update(pretrained_state) self.load_state_dict(model_state) print(f"Loaded pretrained weights from {pretrained_path}") class ConvBlock(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.conv1 = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) self.conv2 = nn.Conv2d(in_channels=out_channels, out_channels=out_channels, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) self.bn1 = nn.BatchNorm2d(out_channels) self.bn2 = nn.BatchNorm2d(out_channels) self.init_weight() def init_weight(self): init_bn(self.bn1) init_bn(self.bn2) init_layer(self.conv1) init_layer(self.conv2) def forward(self, input, pool_size=(2, 2), pool_type='avg'): x = input x = F.relu_(self.bn1(self.conv1(x))) x = F.relu_(self.bn2(self.conv2(x))) if pool_type == 'max': x = F.max_pool2d(x, kernel_size=pool_size) elif pool_type == 'avg': x = F.avg_pool2d(x, kernel_size=pool_size) elif pool_type == 'avg+max': x1 = F.avg_pool2d(x, kernel_size=pool_size) x2 = F.max_pool2d(x, kernel_size=pool_size) x = x1 + x2 else: raise ValueError(f'Unknown pool type: {pool_type}') return x class SpecAugmentation(nn.Module): def __init__(self, time_drop_width, time_stripes_num, freq_drop_width, freq_stripes_num): super().__init__() self.time_drop_width = time_drop_width self.time_stripes_num = time_stripes_num self.freq_drop_width = freq_drop_width self.freq_stripes_num = freq_stripes_num def forward(self, x): """x: (batch, channels, time, freq)""" self._mask_along_axis(x, self.time_drop_width, self.time_stripes_num, axis=2) self._mask_along_axis(x, self.freq_drop_width, self.freq_stripes_num, axis=3) return x def _mask_along_axis(self, x, drop_width, stripes_num, axis): """沿指定轴遮罩""" for _ in range(stripes_num): drop_width = int(drop_width) if isinstance(drop_width, int) else \ int(drop_width * x.shape[axis]) drop_start = int(torch.rand(1).item() * (x.shape[axis] - drop_width)) if axis == 2: # time axis x[:, :, drop_start:drop_start + drop_width, :] = 0 elif axis == 3: # freq axis x[:, :, :, drop_start:drop_start + drop_width] = 0 return x def init_layer(layer): """Initialize a Linear or Convolutional layer.""" nn.init.xavier_uniform_(layer.weight) if hasattr(layer, 'bias'): if layer.bias is not None: layer.bias.data.fill_(0.) def init_bn(bn): """Initialize a Batchnorm layer.""" bn.bias.data.fill_(0.) bn.weight.data.fill_(1.) # 使用示例 model = PANNsCNN14( sample_rate=32000, window_size=512, hop_size=320, mel_bins=64, num_classes=397 ) # 加载预训练权重（可选） # model.load_from_pretrained('path/to/pretrained/CNN14.pth') waveform = torch.randn(4, 32000 * 5) # (batch, 5 seconds at 32kHz) with torch.no_grad(): output = model(waveform) print(output.shape) # (4, 397) ``` #### Mixup 数据增强 ```python import torch import numpy as np def mixup_data(x, y, alpha=0.2): """ Mixup 数据增强 Args: x: 输入数据 (batch_size, ...) y: 标签 (batch_size, num_classes) alpha: Beta 分布参数 Returns: mixed_x: 混合后的输入 y_a, y_b: 两个样本的标签 lam: 混合系数 """ if alpha > 0: lam = np.random.beta(alpha, alpha) else: lam = 1 batch_size = x.size(0) index = torch.randperm(batch_size).to(x.device) mixed_x = lam * x + (1 - lam) * x[index, :] y_a, y_b = y, y[index] return mixed_x, y_a, y_b, lam def mixup_criterion(criterion, pred, y_a, y_b, lam): """Mixup 损失函数""" return lam * criterion(pred, y_a) + (1 - lam) * criterion(pred, y_b) # 使用示例 criterion = nn.BCEWithLogitsLoss() for batch_idx, (waveforms, labels) in enumerate(train_loader): waveforms = waveforms.to(device) labels = labels.to(device) # 应用 Mixup waveforms_mixed, labels_a, labels_b, lam = mixup_data( waveforms, labels, alpha=0.2 ) # 前向传播 outputs = model(waveforms_mixed) # 计算 Mixup 损失 loss = mixup_criterion(criterion, outputs, labels_a, labels_b, lam) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() ``` #### 弱监督训练（音频级别标签） ```python import torch import torch.nn as nn from torch.utils.data import Dataset class BirdcallWeakDataset(Dataset): """ 弱监督数据集：只有音频级别标签，无时间戳 """ def __init__(self, audio_files, labels, audio_transforms=None, duration=5, sample_rate=32000): self.audio_files = audio_files self.labels = labels # Multi-hot labels: (num_samples, num_classes) self.audio_transforms = audio_transforms self.duration = duration self.sample_rate = sample_rate def __len__(self): return len(self.audio_files) def __getitem__(self, idx): # 加载音频 waveform, sr = torchaudio.load(self.audio_files[idx]) # 重采样 if sr != self.sample_rate: resampler = torchaudio.transforms.Resample(sr, self.sample_rate) waveform = resampler(waveform) # 固定长度（裁剪或填充） target_length = self.duration * self.sample_rate if waveform.shape[1] > target_length: # 随机裁剪 start = torch.randint(0, waveform.shape[1] - target_length, (1,)).item() waveform = waveform[:, start:start + target_length] elif waveform.shape[1] < target_length: # 填充 padding = target_length - waveform.shape[1] waveform = torch.nn.functional.pad(waveform, (0, padding)) # 获取标签（音频级别，多标签） label = self.labels[idx] # 数据增强 if self.audio_transforms is not None: waveform = self.audio_transforms(waveform) return waveform, label class AttentionPooling(nn.Module): """ 注意力池化：用于弱监督学习，自动定位重要区域 """ def __init__(self, input_dim, hidden_dim=128): super().__init__() self.attention = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.Tanh(), nn.Linear(hidden_dim, 1) ) def forward(self, x): """ Args: x: (batch, time_steps, features) Returns: pooled: (batch, features) weights: (batch, time_steps) - 可视化注意力 """ attn_weights = F.softmax(self.attention(x), dim=1) pooled = (x * attn_weights).sum(dim=1) return pooled, attn_weights class WeaklySupervisedBirdcallModel(nn.Module): """ 弱监督鸟类叫声分类模型 """ def __init__(self, num_classes=397, pretrained=True): super().__init__() # 使用预训练的 PANNs CNN14 作为特征提取器 self.backbone = PANNsCNN14(num_classes=num_classes, pretrained=pretrained) # 移除最后的分类层 self.backbone.fc_audioset = nn.Identity() # 注意力池化 feature_dim = 2048 # CNN14 的输出维度 self.attention_pool = AttentionPooling(feature_dim, hidden_dim=128) # 分类器 self.classifier = nn.Sequential( nn.Dropout(0.3), nn.Linear(feature_dim, 512), nn.ReLU(), nn.Dropout(0.2), nn.Linear(512, num_classes) ) def forward(self, x, return_attention=False): """ Args: x: (batch, time_samples) return_attention: 是否返回注意力权重用于可视化 Returns: logits: (batch, num_classes) attention_weights (optional): (batch, time_steps) """ # 提取特征（修改 backbone 以返回时间维度特征） features = self.extract_features(x) # (batch, time_steps, feature_dim) # 注意力池化 pooled, attn_weights = self.attention_pool(features) # 分类 logits = self.classifier(pooled) if return_attention: return logits, attn_weights return logits def extract_features(self, x): """ 从 backbone 提取时间维度特征 这是一个简化版本，实际使用时需要修改 PANNsCNN14 """ # 简化实现：直接使用全局特征 with torch.no_grad(): features = self.backbone.fc1( torch.mean(self.backbone.bn0( self.backbone.logmel_extractor( self.backbone.spectrogram_extractor(x) ).transpose(1, 3) ), dim=3) ) # 添加时间维度 return features.unsqueeze(1) # (batch, 1, feature_dim) # 训练循环 def train_weakly_supervised(model, dataloader, criterion, optimizer, device, use_mixup=True): model.train() for waveforms, labels in dataloader: waveforms = waveforms.to(device) labels = labels.to(device).float() # Mixup 增强 if use_mixup and np.random.rand() < 0.5: waveforms, labels_a, labels_b, lam = mixup_data(waveforms, labels, alpha=0.2) # 前向传播 logits = model(waveforms) # 计算损失 if use_mixup and np.random.rand() < 0.5: loss = mixup_criterion(criterion, logits, labels_a, labels_b, lam) else: loss = criterion(logits, labels) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 可视化注意力（用于理解模型关注的区域） def visualize_attention(model, waveform, bird_name): """可视化注意力权重，了解模型关注的音频区域""" model.eval() with torch.no_grad(): logits, attention = model(waveform.unsqueeze(0), return_attention=True) # attention: (1, time_steps) attention = attention.squeeze(0).cpu().numpy() import matplotlib.pyplot as plt fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 6)) # 音频波形 ax1.plot(waveform.cpu().numpy().T) ax1.set_title(f'Audio Waveform - {bird_name}') ax1.set_xlabel('Time') ax1.set_ylabel('Amplitude') # 注意力权重 ax2.plot(attention) ax2.set_title('Attention Weights') ax2.set_xlabel('Time Step') ax2.set_ylabel('Attention Weight') plt.tight_layout() plt.savefig('attention_visualization.png') plt.close() ``` #### 5秒滑动窗口推理 ```python import torch import numpy as np def predict_with_sliding_window(model, audio_path, window_size=5, hop_size=2.5, sample_rate=32000, device='cuda'): """ 使用滑动窗口进行推理 Args: model: 训练好的模型 audio_path: 音频文件路径 window_size: 窗口大小（秒） hop_size: 跳跃大小（秒） sample_rate: 采样率 device: 设备 Returns: predictions: (num_windows, num_classes) timestamps: 窗口时间戳 """ model.eval() # 加载音频 waveform, sr = torchaudio.load(audio_path) if sr != sample_rate: resampler = torchaudio.transforms.Resample(sr, sample_rate) waveform = resampler(waveform) waveform = waveform.mean(dim=0, keepdim=True) # 转为单声道 # 计算窗口参数 window_samples = int(window_size * sample_rate) hop_samples = int(hop_size * sample_rate) predictions = [] timestamps = [] # 滑动窗口 with torch.no_grad(): for start in range(0, waveform.shape[1] - window_samples + 1, hop_samples): end = start + window_samples window = waveform[:, start:end].to(device) # 预测 logits = model(window) probs = torch.sigmoid(logits).cpu().numpy() predictions.append(probs[0]) timestamps.append(start / sample_rate) predictions = np.array(predictions) timestamps = np.array(timestamps) return predictions, timestamps def aggregate_predictions(predictions, threshold=0.5, min_duration=3): """ 聚合滑动窗口预测 Args: predictions: (num_windows, num_classes) threshold: 二值化阈值 min_duration: 最小持续时间（窗口数） Returns: final_pred: (num_windows, num_classes) 二值预测 """ binary_pred = (predictions > threshold).astype(int) # 时间平滑 final_pred = binary_pred.copy() for c in range(binary_pred.shape[1]): col = binary_pred[:, c] # 移除短于阈值的检测 changes = np.diff(col, prepend=0, append=0) starts = np.where(changes == 1)[0] ends = np.where(changes == -1)[0] for s, e in zip(starts, ends): if e - s < min_duration: final_pred[s:e, c] = 0 return final_pred def create_birdclef_submission(predictions, timestamps, audio_id, bird_species, threshold=0.5): """ 创建 BirdCLEF 格式的提交文件 Args: predictions: (num_windows, num_classes) 概率预测 timestamps: (num_windows,) 时间戳 audio_id: 音频文件 ID bird_species: 鸟类名称列表 threshold: 二值化阈值 Returns: rows: 提交文件的行列表 """ rows = [] for i, (pred, ts) in enumerate(zip(predictions, timestamps)): # 获取活跃的鸟类 active_birds = [] for j, p in enumerate(pred): if p > threshold: active_birds.append(bird_species[j]) # 创建 row_id row_id = f"{audio_id}_{ts:.1f}" if active_birds: rows.append({ 'row_id': row_id, 'birds': ' '.join(active_birds) }) else: rows.append({ 'row_id': row_id, 'birds': 'nocall' }) return rows # 使用示例 model = WeaklySupervisedBirdcallModel(num_classes=397) model = model.to(device) model.load_state_dict(torch.load('best_model.pth')) audio_path = 'test_soundscape.wav' predictions, timestamps = predict_with_sliding_window( model, audio_path, window_size=5, hop_size=2.5, device=device ) # 聚合预测 final_pred = aggregate_predictions(predictions, threshold=0.5, min_duration=3) # 创建提交 bird_species = [...] # 397 个鸟类名称列表 rows = create_birdclef_submission( predictions, timestamps, 'soundscape_01', bird_species, threshold=0.5 ) import pandas as pd submission = pd.DataFrame(rows) submission.to_csv('submission.csv', index=False) ``` ### 最佳实践 1. **弱监督学习策略**： - 使用注意力机制定位音频中的关键区域 - 多实例学习（MIL）框架处理音频级别标签 - 时序池化（Temporal Pooling）聚合时间维度信息 2. **预训练模型利用**： - PANNs（AudioSet 预训练）是最流行的起点 - CNN14/CNN10 提供强大的基线特征 - 迁移学习显著提升性能 3. **数据增强组合**： - SpecAugment（时间+频率遮罩）必需 - Mixup 是 BirdCLEF 2021 的关键技巧 - 背景噪声添加提高鲁棒性 - 组合多种增强效果最佳 4. **训练技巧**： - 5-fold 交叉验证标准配置 - AdamW + Cosine 学习率 - Binary Cross-Entropy Loss - Label Smoothing 有助于正则化 - 渐进式训练策略 5. **推理策略**： - 5秒滑动窗口（与标注一致） - 窗口间有重叠（2.5秒跳跃） - 时间平滑减少闪烁 - 移除短于阈值的检测 6. **集成方法**： - 多架构集成（ResNet, DenseNet, EfficientNet） - 多 checkpoint 集成 - 不同增强配置增加多样性 - 加权平均或投票集成 7. **后处理优化**： - 类别特定的阈值优化 - 时间平滑（移动平均或中值滤波） - 最小持续时间过滤 - 基于验证集优化阈值 8. **常见陷阱**： - 忽略弱监督的特殊性（无时间戳） - 过度依赖单一模型 - 验证集和测试集分布不同 - 忘记时间平滑导致预测不稳定 - 阈值选择不当影响 F1 分数 --- ## BirdCLEF 2022 - Endangered Bird Sounds Classification **竞赛背景：** - **主办方**：Cornell Lab of Ornithology + LifeCLEF - **目标**：识别夏威夷濒危鸟类的叫声（多标签音频分类） - **应用场景**：濒危物种保护，生态系统监测 - **数据集规模**： - 训练音频：约 8,700 段标注录音，涵盖 152 种鸟类（主要是夏威夷物种） - 测试音频：约 1,300 段连续录音（soundscape） - 短片段标注：部分音频有 5 秒级别的短片段标注 - 背景噪声：包含雨声、风声、昆虫声等复杂环境音 - **评估指标**：micro-averaged F1-score - **最终排名**： - 1st Place: kdl - "It's not all BirdNet" - 2nd Place: Leon Shangguan - 3rd Place: uemu-slime - 总参赛队伍：约 1,600+ 支 ### 前排方案详细技术分析 #### 1st Place - Beyond BirdNet (kdl) 核心技巧： - **BirdNet + Perch Architecture**：结合 BirdNet 和 Perch 模型 - **SED Framework**：声音事件检测框架 - **Multi-scale Input**：短片段（5秒）和长片段（10秒+） - **AND Rule**：短片段和长片段预测的 AND 逻辑 - **Model Ensemble**：多架构集成 - **External Data**：使用 BirdCLEF 2021 数据增强 实现细节： - **模型架构组合**： - BirdNet（预训练鸟类分类模型） - Perch（预训练模型，类似 BirdNET-lite） - 自训练 CNN 模型（ResNet50/ResNeSt50） - SED 模型（framewise 输出） - **多尺度策略**： - 短片段（5秒）：精确分类 - 长片段（10-15秒）：提高召回率 - AND 规则：短片段 AND 长片段都预测为正才认为存在 - **SED 实现**： - 使用 framewise 输出 - max(framewise, dim=time) 聚合 - 时间注意力机制 - **集成方法**： - 多个模型集成（10+ 模型） - 不同预训练权重 - 不同输入长度 - TTA（Test Time Augmentation） - **外部数据**： - BirdCLEF 2021 数据迁移学习 - 额外鸟类音频数据 - **后处理**： - 时间平滑 - 最小持续时间过滤 - 类别特定阈值 #### 2nd Place - SED + CNN with 7 Models Ensemble (Leon Shangguan) 核心技巧： - **SED Framework**：声音事件检测框架 - **10-second Chunks**：10秒片段处理 - **Centered 5-second CNN**：中心 5 秒 CNN 预测 - **Max Framewise Pooling**：framewise 最大值池化 - **7 Models Ensemble**：7 模型集成 - **TTA with 2s Shifts**：2秒偏移的测试时增强 实现细节： - **SED 模型**： - 使用 10 秒音频片段 - 输出 framewise 预测 - max(framewise, dim=time) 聚合 - ResNet50/ResNeSt50 backbone - **CNN 模型**： - 仅对中心 5 秒进行预测 - 减少计算量 - Mel-spectrogram 输入 - **集成策略**： - 7 个模型集成 - 不同架构和配置 - 加权平均 - **TTA**： - 2 秒偏移的多个预测 - 预测平均 - **数据增强**： - SpecAugment - Mixup - 背景噪声 #### 3rd Place - 18 Checkpoints Ensemble (uemu-slime) 核心技巧： - **18 Checkpoints Ensemble**：18 个模型检查点集成 - **Multiple CNN Architectures**：多种 CNN 架构 - **Different Folds**：不同折的训练 - **Perch + BirdNet**：使用预训练模型 - **Strong Data Augmentation**：强数据增强 实现细节： - **模型架构**： - ResNet50 - ResNeSt50 - EfficientNet-B0/B3 - Perch（预训练） - BirdNet（预训练） - **训练策略**： - 每个架构在 5-fold 上训练 - 选择最佳 checkpoint - 共 18 个模型 - **集成方法**： - 简单平均 - 所有模型等权重 - **增强组合**： - SpecAugment - Mixup - 背景噪声 - 时间遮罩/频率遮罩 #### 4th Place - CNN-based Ensemble (Kramarenko Vladislav) 核心技巧： - **CNN Ensemble**：CNN 模型集成 - **Mel-Spectrogram Features**：Mel 频谱特征 - **Multiple Backbones**：多种主干网络 - **Cross-Validation**：交叉验证 实现细节： - **模型选择**： - ResNet50 - ResNeSt50 - DenseNet-121 - **特征工程**： - Mel-spectrogram - 不同参数配置 - **训练**： - 5-fold 交叉验证 - Early stopping #### 5th Place - Reimplementation of 2021 2nd Place (common-kestrel) 核心技巧： - **9 Models Ensemble**：9 模型集成 - **BirdCLEF 2021 Baseline**：重实现 2021 年 2nd place 方案 - **4x Backbones**：4 种主干网络 - **Different Seeds and Folds**：不同随机种子和折 实现细节： - **主干网络**： - ResNet50 - ResNeSt50 - EfficientNet-B0 - DenseNet-121 - **配置多样性**： - 不同随机种子 - 不同 fold - 不同数据增强参数 - **集成方法**： - 平均集成 - 9 个模型 #### 6th-10th Place 概述 **常见技术**： - BirdNet 预训练模型广泛使用 - Perch 模型（类似 BirdNET-lite） - SED（Sound Event Detection）框架 - 多尺度输入（5秒 + 10-15秒） - SpecAugment + Mixup 标准配置 **关键技术点**： - **短片段长片段结合**：AND 规则减少误报 - **Framewise 预测**：SED 模型的 framewise 输出 - **外部数据利用**：BirdCLEF 2021 数据迁移学习 - **模型集成**：10-20 个模型集成是常态 - **后处理**：时间平滑、最小持续时间过滤 ### 代码模板 #### SED 模型（Framewise 输出） ```python import torch import torch.nn as nn import torch.nn.functional as F class SEDModel(nn.Module): """ 声音事件检测模型 - 输出 framewise 预测 用于 BirdCLEF 2022 风格的音频分类 """ def __init__(self, num_classes=152, backbone='resnet50', sample_rate=32000, window_size=5, hop_size=512): super().__init__() self.num_classes = num_classes self.window_size = window_size self.sample_rate = sample_rate # Mel-spectrogram 提取器 self.mel_extractor = MelSpectrogramExtractor( sample_rate=sample_rate, n_mels=128, n_fft=2048, hop_length=hop_size ) # Backbone（简化版本） if backbone == 'resnet50': import torchvision.models as models self.backbone = models.resnet50(pretrained=True) # 修改第一层接受 1 通道输入（mel-spectrogram） self.backbone.conv1 = nn.Conv2d( 1, 64, kernel_size=7, stride=2, padding=3, bias=False ) feature_dim = 2048 elif backbone == 'resnest50': # 使用 ResNeSt50 feature_dim = 2048 # 移除最后的全连接层 self.backbone.fc = nn.Identity() # Framewise 分类头 self.fc = nn.Linear(feature_dim, num_classes) def forward(self, waveform, return_frames=False): """ Args: waveform: (batch, time_samples) return_frames: 是否返回 framewise 预测 Returns: output: (batch, num_classes) 或 (batch, time_frames, num_classes) """ batch_size = waveform.shape[0] # 提取 Mel-spectrogram mel_spec = self.mel_extractor.extract(waveform) # (batch, 1, mel_bins, time_frames) # 通过 backbone（保留时间维度） # 简化版本：实际需要修改 backbone 以保留时间维度 features = self.extract_features_with_time(mel_spec) # (batch, time_frames, feature_dim) # Framewise 预测 framewise_output = self.fc(features) # (batch, time_frames, num_classes) if return_frames: return framewise_output # 聚合（max pooling over time） output, _ = torch.max(framewise_output, dim=1) # (batch, num_classes) return output def extract_features_with_time(self, mel_spec): """ 提取特征并保留时间维度 这是一个简化版本，实际使用时需要修改 backbone """ # 将时间维度视为 batch 维度处理 batch, channels, mel_bins, time_frames = mel_spec.shape # Reshape: (batch * time_frames, channels, mel_bins, 1) mel_spec_reshaped = mel_spec.permute(0, 3, 1, 2).reshape( batch * time_frames, channels, mel_bins, 1 ) # 通过 backbone（需要对输入维度进行调整） # 这里简化为直接使用全局特征 features = self.backbone(mel_spec_reshaped) # (batch * time_frames, feature_dim) # Reshape 回 (batch, time_frames, feature_dim) features = features.reshape(batch, time_frames, -1) return features class MultiScaleSEDModel(nn.Module): """ 多尺度 SED 模型 结合短片段（5秒）和长片段（10秒）预测 """ def __init__(self, num_classes=152, short_duration=5, long_duration=10): super().__init__() self.num_classes = num_classes # 短片段模型（5秒） self.short_model = SEDModel( num_classes=num_classes, window_size=short_duration ) # 长片段模型（10秒） self.long_model = SEDModel( num_classes=num_classes, window_size=long_duration ) def forward(self, waveform_short, waveform_long, use_and_rule=True): """ Args: waveform_short: 5秒音频 (batch, 5 * sample_rate) waveform_long: 10秒音频 (batch, 10 * sample_rate) use_and_rule: 是否使用 AND 规则 Returns: output: (batch, num_classes) """ # 短片段预测 output_short = self.short_model(waveform_short) # (batch, num_classes) prob_short = torch.sigmoid(output_short) # 长片段预测 output_long = self.long_model(waveform_long) # (batch, num_classes) prob_long = torch.sigmoid(output_long) if use_and_rule: # AND 规则：两者都为正才认为存在 prob_final = prob_short * prob_long else: # OR 规则：任一为正就认为存在 prob_final = torch.clamp(prob_short + prob_long, 0, 1) return prob_final # 使用示例 model = MultiScaleSEDModel(num_classes=152, short_duration=5, long_duration=10) # 短片段和长片段 waveform_short = torch.randn(4, 5 * 32000) # 4 samples, 5 seconds waveform_long = torch.randn(4, 10 * 32000) # 4 samples, 10 seconds # 预测 with torch.no_grad(): prob = model(waveform_short, waveform_long, use_and_rule=True) print(prob.shape) # (4, 152) ``` #### TTA（Test Time Augmentation） ```python import torch import numpy as np def predict_with_tta(model, audio_path, window_size=5, tta_shifts=[0, 1, 2], sample_rate=32000, device='cuda'): """ 使用 TTA 进行推理 Args: model: 训练好的模型 audio_path: 音频文件路径 window_size: 窗口大小（秒） tta_shifts: TTA 偏移量（秒） sample_rate: 采样率 device: 设备 Returns: predictions: (num_windows, num_classes) TTA 平均后的预测 """ model.eval() # 加载音频 waveform, sr = torchaudio.load(audio_path) if sr != sample_rate: resampler = torchaudio.transforms.Resample(sr, sample_rate) waveform = resampler(waveform) waveform = waveform.mean(dim=0, keepdim=True) # 单声道 window_samples = int(window_size * sample_rate) # 存储所有 TTA 预测 all_tta_predictions = [] for shift in tta_shifts: shift_samples = int(shift * sample_rate) # 计算起始位置 start_positions = list(range(shift_samples, waveform.shape[1] - window_samples + 1, int(window_size * sample_rate))) predictions = [] with torch.no_grad(): for start in start_positions: end = start + window_samples window = waveform[:, start:end].to(device) # 预测 logits = model(window) probs = torch.sigmoid(logits).cpu().numpy() predictions.append(probs[0]) predictions = np.array(predictions) all_tta_predictions.append(predictions) # TTA 平均 all_tta_predictions = np.array(all_tta_predictions) # (num_shifts, num_windows, num_classes) # 对齐并平均 avg_predictions = np.mean(all_tta_predictions, axis=0) return avg_predictions # 使用示例 model = SEDModel(num_classes=152) model = model.to(device) model.load_state_dict(torch.load('best_model.pth')) audio_path = 'test_soundscape.wav' predictions = predict_with_tta( model, audio_path, window_size=5, tta_shifts=[0, 1, 2], device=device ) # 二值化 threshold = 0.5 binary_pred = (predictions > threshold).astype(int) ``` #### AND 规则后处理 ```python import numpy as np def and_rule_post_process(short_pred, long_pred, threshold=0.5): """ AND 规则后处理 Args: short_pred: 短片段预测 (num_windows_short, num_classes) long_pred: 长片段预测 (num_windows_long, num_classes) threshold: 二值化阈值 Returns: final_pred: AND 规则后的预测 (num_windows_short, num_classes) """ # 二值化 binary_short = (short_pred > threshold).astype(int) binary_long = (long_pred > threshold).astype(int) # 长片段预测需要对应到短片段的时间位置 # 假设长片段是短片段的两倍长度 scale_factor = len(short_pred) / len(long_pred) final_pred = np.zeros_like(binary_short) for i in range(len(short_pred)): # 找到对应的长片段索引 long_idx = int(i / scale_factor) if long_idx < len(binary_long): # AND 规则：两者都为 1 才认为存在 final_pred[i] = binary_short[i] & binary_long[long_idx] else: # 没有对应的长片段预测，使用短片段预测 final_pred[i] = binary_short[i] return final_pred # 使用示例 # 短片段预测（5秒窗口） short_pred = np.random.rand(100, 152) # 100 个窗口，152 个类别 # 长片段预测（10秒窗口） long_pred = np.random.rand(50, 152) # 50 个窗口 # 应用 AND 规则 final_pred = and_rule_post_process(short_pred, long_pred, threshold=0.5) ``` #### 模型集成 ```python import torch import numpy as np class EnsembleModel: """ 模型集成类 """ def __init__(self, models, weights=None, device='cuda'): """ Args: models: 模型列表 weights: 模型权重（可选），默认平均 device: 设备 """ self.models = models self.device = device if weights is None: # 默认等权重 self.weights = [1.0 / len(models)] * len(models) else: # 归一化权重 total = sum(weights) self.weights = [w / total for w in weights] # 将模型移到设备并设置为评估模式 for model in self.models: model.to(device) model.eval() def predict(self, waveform): """ 集成预测 Args: waveform: 输入音频 (batch, time_samples) Returns: ensemble_pred: 集成后的预测 (batch, num_classes) """ all_predictions = [] with torch.no_grad(): for model in self.models: logits = model(waveform) probs = torch.sigmoid(logits).cpu().numpy() all_predictions.append(probs) all_predictions = np.array(all_predictions) # (num_models, batch, num_classes) # 加权平均 ensemble_pred = np.zeros_like(all_predictions[0]) for i, pred in enumerate(all_predictions): ensemble_pred += self.weights[i] * pred return ensemble_pred def predict_from_files(self, model_paths, ModelClass, model_kwargs, waveform): """ 从文件加载模型并预测 Args: model_paths: 模型文件路径列表 ModelClass: 模型类 model_kwargs: 模型初始化参数 waveform: 输入音频 Returns: ensemble_pred: 集成后的预测 """ all_predictions = [] for path in model_paths: # 加载模型 model = ModelClass(**model_kwargs) model.load_state_dict(torch.load(path)) model.to(self.device) model.eval() # 预测 with torch.no_grad(): logits = model(waveform) probs = torch.sigmoid(logits).cpu().numpy() all_predictions.append(probs) all_predictions = np.array(all_predictions) # 加权平均 ensemble_pred = np.zeros_like(all_predictions[0]) for i, pred in enumerate(all_predictions): ensemble_pred += self.weights[i] * pred return ensemble_pred # 使用示例 # 假设有 7 个模型 models = [ SEDModel(num_classes=152, backbone='resnet50'), SEDModel(num_classes=152, backbone='resnest50'), SEDModel(num_classes=152, backbone='efficientnet_b0'), # ... 更多模型 ] # 加载权重 for i, model in enumerate(models): model.load_state_dict(torch.load(f'model_{i}.pth')) # 创建集成 ensemble = EnsembleModel(models, weights=None, device=device) # 预测 waveform = torch.randn(4, 5 * 32000).to(device) predictions = ensemble.predict(waveform) print(predictions.shape) # (4, 152) ``` #### BirdNet/Perch 模型使用 ```python """ BirdNet 和 Perch 是预训练的鸟类音频分类模型 使用前需要： 1. 安装 birdnetlib 或 perch 库 2. 下载预训练权重 这里提供一个简化接口示例 """ class BirdNetModel(nn.Module): """ BirdNet 模型包装器 实际使用时需要从官方仓库获取模型 参考: https://github.com/BirdVox/birdnet-library """ def __init__(self, num_classes=152, pretrained_path=None): super().__init__() # 这里应该是 BirdNet 的实际架构 # 简化版本：使用 ResNet50 import torchvision.models as models self.backbone = models.resnet50(pretrained=True) # 修改第一层接受 mel-spectrogram self.backbone.conv1 = nn.Conv2d( 1, 64, kernel_size=7, stride=2, padding=3, bias=False ) feature_dim = 2048 # 分类头 self.classifier = nn.Sequential( nn.Dropout(0.5), nn.Linear(feature_dim, num_classes) ) # 加载预训练权重 if pretrained_path is not None: self.load_pretrained(pretrained_path) def load_pretrained(self, path): """加载预训练权重""" state_dict = torch.load(path, map_location='cpu') # 过滤不兼容的键 model_state = self.state_dict() pretrained_state = { k: v for k, v in state_dict.items() if k in model_state and v.shape == model_state[k].shape } model_state.update(pretrained_state) self.load_state_dict(model_state) print(f"Loaded pretrained weights from {path}") def forward(self, mel_spec): """ Args: mel_spec: (batch, 1, mel_bins, time_frames) Returns: logits: (batch, num_classes) """ features = self.backbone(mel_spec) logits = self.classifier(features) return logits # 使用示例（需要实际的预训练权重） # model = BirdNetModel(num_classes=152, pretrained_path='birdnet.pth') # model.eval() # with torch.no_grad(): # logits = model(mel_spec) # probs = torch.sigmoid(logits) ``` ### 最佳实践 1. **多尺度策略**： - 短片段（5秒）用于精确分类 - 长片段（10-15秒）提高召回率 - AND 规则减少误报（两个都为正才认为存在） - OR 规则提高召回（任一为正就认为存在） 2. **SED 框架**： - Framewise 输出提供时间分辨率 - Max pooling over time 聚合 - 注意力权重加权 3. **模型集成**： - 10-20 个模型集成是常态 - 不同架构（ResNet, ResNeSt, EfficientNet） - 不同训练配置（fold, seed, 数据增强） - 加权平均或投票 4. **预训练模型利用**： - BirdNet：强大的鸟类分类预训练模型 - Perch：轻量级版本（BirdNET-lite） - 迁移学习显著提升性能 - 在目标任务上微调 5. **外部数据**： - BirdCLEF 2021 数据 - 其他鸟类音频数据集 - 预训练模型在大规模数据上训练 6. **TTA（Test Time Augmentation）**： - 时间偏移（1-2秒） - 多个预测平均 - 提高稳定性 7. **后处理**： - 时间平滑 - 最小持续时间过滤 - 类别特定阈值 - AND 规则结合短长片段 8. **常见陷阱**： - 忽视短片段和长片段的互补性 - 过度依赖单一模型或架构 - 集成权重未优化 - 忘记使用 TTA - AND/OR 规则选择不当 --- ## Rainforest Connection Species Audio Detection 2021 **竞赛背景：** - **主办方**：Rainforest Connection (RFCx) - **目标**：检测热带雨林录音中的鸟类和蛙类叫声（多标签音频检测） - **应用场景**：生物多样性监测，生态系统保护，濒危物种追踪 - **数据集规模**： - 训练音频：约 2,000 段标注录音 - 测试音频：约 200 段连续录音（soundscape） - 物种数量：24 种鸟类和蛙类 - 采样率：48 kHz - **评估指标**：LWLRAP (Label-Weighted Label-Ranking Average Precision) - **最终排名**： - 1st Place: watercooled - 7th Place: Beluga & Peter - 11th Place: cpmp - 13th Place: Ryan Epp - 总参赛队伍：约 2,200+ 支 ### 前排方案详细技术分析 #### 1st Place - Image Classification Approach (watercooled) 核心技巧： - **Mel-Spectrogram as Images**：将 Mel 频谱视为图像 - **Pretrained Image Models**：使用预训练图像分类模型 - **Ensemble**：多模型集成 - **Temporal Pooling**：时间池化策略 - **Data Augmentation**：图像和音频增强 - **Post-processing**：后处理优化 实现细节： - **模型架构**： - ResNet50/ResNeSt50（ImageNet 预训练） - EfficientNet-B3 - 修改第一层接受单通道输入（Mel-spectrogram） - **特征提取**： - Mel-spectrogram（128 Mel bins） - 对数幅度压缩 - 时间维度：5 秒窗口 - **集成方法**： - 多个模型集成 - 不同 checkpoint - 加权平均 - **后处理**： - 时间平滑 - 阈值优化 - 最小持续时间过滤 #### 7th Place - Strong Baseline with Ensemble (Beluga & Peter) 核心技巧： - **ResNeSt50 Architecture**：ResNeSt-50 主干网络 - **Mel-Spectrogram Features**：Mel 频谱特征 - **5-fold Cross-Validation**：5 折交叉验证 - **Model Ensemble**：模型集成 - **Strong Data Augmentation**：强数据增强 实现细节： - **模型选择**： - ResNeSt50（预训练） - EfficientNet-B3 - DenseNet-121 - **增强策略**： - SpecAugment - Mixup - 背景噪声 - 时间遮罩/频率遮罩 #### 11th Place - The 0.931 Magic Explained (cpmp) 核心技巧： - **Image Classification Approach**：图像分类方法 - **High-Performance Architecture**：高性能架构 - **Optimized Preprocessing**：优化的预处理 - **LWLRAP-specific Optimization**：针对 LWLRAP 指标优化 实现细节： - **关键发现**： - 优化的 Mel-spectrogram 参数 - 特定的数据增强组合 - 后处理技巧达到 0.931 分数 #### 13th Place - Mean Co-Teachers and Noisy Students (Ryan Epp) 核心技巧： - **Mean Teacher**：均值教师模型 - **Co-Teaching**：协同教学 - **Noisy Student**：噪声学生策略 - **Semi-Supervised Learning**：半监督学习 - **Pseudo-labeling**：伪标签 实现细节： - **半监督策略**： - 使用未标注数据 - 伪标签迭代优化 - Mean Teacher 平滑预测 ### 关键技术点 1. **Mel-Spectrogram 作为图像**： - 将音频转换为 Mel-spectrogram - 使用图像分类模型（ResNet, EfficientNet） - 修改第一层接受单通道输入 2. **LWLRAP 指标**： - Label-Weighted Label-Ranking Average Precision - 需要优化预测的排序 - 类别权重不平衡 3. **数据增强**： - SpecAugment（时间/频率遮罩） - Mixup - 背景噪声 4. **模型集成**： - 多架构集成 - 不同 checkpoint - 加权平均 5. **后处理**： - 时间平滑 - 阈值优化 - 最小持续时间过滤 --- ## AMP®-Parkinson's Disease Progression Prediction 2023 **注意**：此比赛主要使用蛋白质/多肽测量数据，属于**表格数据时序回归**任务，非传统的一维信号处理（如音频、EEG 等）。 **竞赛背景：** - **主办方**：AMP (Accelerating Medicines Partnership) - **目标**：预测帕金森病患者的 MDS-UPDRS 评分变化（时序回归） - **应用场景**：帕金森病进展监测，药物效果评估 - **数据集规模**： - 患者数量：约 1,000+ 患者 - 蛋白质/多肽测量：数百种蛋白质特征 - 时间点：多个月份的访视数据 - 访视记录：蛋白丰度数据 + 蛋白肽数据 - **评估指标**：SMAPE (Symmetric Mean Absolute Percentage Error) - **最终排名**： - 1st Place: Connecting Dotts - 2nd Place: No Luck All Skill - 3rd Place: Hajime Tamura - 总参赛队伍：约 2,500+ 支 ### 前排方案详细技术分析 #### 1st Place - Feature Engineering + Gradient Boosting (Connecting Dotts) 核心技巧： - **Protein/Peptide Feature Engineering**：蛋白质/多肽特征工程 - **Gradient Boosting Models**：梯度提升模型 - **Ensemble**：多模型集成 - **Cross-Validation**：交叉验证 - **Clincal Knowledge Integration**：临床知识整合 实现细节： - **特征工程**： - 蛋白质丰度统计特征 - 时间变化特征 - 蛋白质-蛋白质交互特征 - 临床协变量整合 - **模型选择**： - XGBoost/LightGBM - CatBoost - 多个模型集成 - **训练策略**： - 5-fold 交叉验证 - 特征选择 - 超参数优化 #### 2nd Place - Strong Feature Engineering (No Luck All Skill) 核心技巧： - **Advanced Feature Engineering**：高级特征工程 - **Protein Network Features**：蛋白质网络特征 - **Time-Series Features**：时序特征 - **Model Ensemble**：模型集成 实现细节： - **特征类型**： - 蛋白质丰度基线 - 时间变化趋势 - 蛋白质-蛋白质相关性 - 临床协变量 #### 3rd Place - Robust Modeling Approach (Hajime Tamura) 核心技巧： - **Robust Feature Selection**：稳健特征选择 - **Gradient Boosting**：梯度提升 - **Ensemble Strategy**：集成策略 实现细节： - **特征选择**： - 基于重要性的特征选择 - 多重共线性处理 - **模型**： - XGBoost/LightGBM - 简单平均集成 ### 关键技术点 1. **蛋白质数据特征**： - 蛋白质丰度（protein abundance） - 肽段数据（peptide data） - 时间序列变化 - 临床协变量 2. **特征工程**： - 基线特征 - 时间变化特征 - 交互特征 - 统计特征 3. **模型选择**： - Gradient Boosting (XGBoost, LightGBM, CatBoost) - 集成多个模型 4. **评估指标**： - SMAPE (Symmetric MAPE) - 需要处理零值和异常值 5. **验证策略**： - 按患者划分的交叉验证 - 时间序列分割 - 防止数据泄露