V1 → 基线方案#

得分：925.95

• PANNs Cnn14 + LightGBM 多标签分类：用 PANNs 的 Cnn14（AudioSet 预训练，2048 维 Embedding）提特征，每个类别单独训 1 个 LightGBM 二分类器。交叉验证用 5 折 GroupKFold，按场景（site）分组，避免同一场景 of 音频同时出现在训练集和验证集里。
• 稀有类阈值优化：对 alarm、door、glass_break、vehicle 这四类，在 OOF 预测上以召回率为主来搜阈值，同时设了精确率下限（≥ 0.25）防止乱预测。普通类以 F1 为目标。rare_recall 达到了 0.884，但 macro_f1 只有 0.720，还差一点。

V2 → 分类器链#

得分：930.74

• 分类器链（Classifier Chain）建模标签关联：把 9 个类别按从高频到低频排好（ambient→rain→vehicle→footsteps→keyboard→door→alarm→applause→glass_break），依次训练，把前面类别的 OOF 预测概率拼进当前类别的输入里，让模型能利用标签之间的共现关系。macro_f1 升到 0.756，sample_f1 升到 0.778。
• 动态重叠后处理：加了一些规则，比如”下雨时脚步声概率偏低就删掉”、“有车经过时脚步声概率偏低就删掉”，减少混合场景里的误报。

Final → 满分方案#

得分：1200

1. 拼接官方微观特征（2048 + 36 维）：把 PANNs 的 2048 维全局 Embedding 和官方提供的 36 维时频统计特征（features/train_audio_features.csv）拼在一起，变成 2084 维。
2. 两阶段训练：Focal Loss 独立分类器 + 分类器链：第一阶段对每个类别单独训，稀有类用自定义 Focal Loss（alpha=0.35，gamma=2.5）加重对漏报的惩罚；第二阶段训分类器链。两个阶段用同一套 5 折分组索引，保证 OOF 预测对齐。
3. 自适应概率融合：稀有类取两个阶段预测概率的最大值（防漏报），普通类取加权平均（0.3 × 独立 + 0.7 × 链式），在精度和召回之间找平衡。
4. 稀有类阈值强制封顶 + 双重打捞：稀有类用 F3-score（大幅偏向召回率）搜最优阈值，并强制阈值不超过 0.16；后处理阶段，只要独立分类器（带 Focal Loss）对稀有类的预测概率 ≥ 0.40，就算融合后的概率没过阈值，也强制把这个标签加进去。这两条规则把 rare_recall 稳定在了 0.841，刚好超过满分线的 0.84。 实质是只是将前面两个版本的两坨经过优化互取所长，融成一坨大的拿了gold band，实际工程还是设计更好的模型和方案更好

(1) 音频预处理#

所有输入音频均统一重采样至 32,000 Hz 并转换为单声道。为了适配 PANNs 的固定长度要求，对于不足 6.0 秒的音频以全零（Zero-padding）方式在尾部进行补齐，对于超过 6.0 秒的音频则强制从头部裁剪至前 6.0 秒，确保每条音频在时域上均具有严格对齐的 192,000 个采样点。

(2) 特征提取 pipeline#

• 全局语义特征：使用预训练的开源音频理解大模型 PANNs 的 Cnn14 模型，以非侵入方式在前向传播的倒数第二层进行全局平均池化（Global Average Pooling），提取出表达声场全局高层语义的 2048 维全局 Embedding。
• 微观时频特征：提取官方特征文件（包含 36 维时频域统计指标，涵盖频段能量分布、时频域包络与突变突发能量变化），用于补充大模型对瞬态短时声学突变（如玻璃碎裂、关门瞬间等）捕获能力不足的缺陷。
• 无损特征融合：对上述全局与微观特征按音频 id 严格对齐并拼接，构成最终的 2084 维综合特征向量 送入 LightGBM。

(3) 模型训练与集成#

• 第一阶段（独立二分类）：针对 9 类声学事件，为每个类别训练独立的 LightGBM 二分类器。
  • 对于稀有类（alarm、door、vehicle、glass_break），为应对高度类别不平衡，应用了自定义 Focal Loss 目标函数（$\alpha = 0.35, \gamma = 2.5$），并对困难漏报样本（真实为 1 且预测低于 0.3 的样本）施加 2.5 倍强对抗梯度惩罚。
  • 对于普通类，使用标准的平衡交叉熵损失函数。
• 第二阶段（分类器链 Classifier Chain）：解构类别共现关系。按照 ambient $\rightarrow$ rain $\rightarrow$ applause $\rightarrow$ footsteps $\rightarrow$ keyboard $\rightarrow$ vehicle $\rightarrow$ door $\rightarrow$ alarm $\rightarrow$ glass_break 的频次链条进行递进式建模，每次训练将前序分类器输出的验证集/测试集预测概率作为新的特征拼入输入特征，增强多标签联合分布泛化。

(4) 阈值选择策略#

在五折交叉验证的自适应融合预测上执行网格寻优：

• 普通类：常规优化传统的 $F_1\text{-score}$，旨在平衡精确率与召回率。
• 稀有类：极限优化强烈偏向召回率的 $F_3\text{-score}$，为了尽可能降低漏报率，我们将精确率下限条件放宽到极低的 0.08，并且对稀有类实施了 0.16 的低阀值强制封顶策略，拉低越线卡口以网罗一切微弱的瞬发信号。

(5) 后处理机制 (Post-processing)#

• 双重雷达打捞：对于稀有类，除了融合后的概率需要和阈值进行比较，我们额外设定了一条强推线。只要在第一阶段经过 Focal Loss 强化的独立分类器预测某稀有类概率值 $\ge 0.40$，即被强行标为正类，以防止由于分类器链均值消解带来的漏报。
• 冲突精修与去噪：若在测试时触发了任何其他实质性事件标签（如 rain、applause 等），则自动剪除 ambient（底噪）标签；若在下雨场景（rain）下识别出低置信度的脚步声（概率小于 0.52），则认为脚步声是被雨声掩盖下的误报，予以剔除。
• 空签兜底：若在后处理之后所有类别均为负，则强制选择融合概率值最大的一项为最终标签，避免产生空签。

(1) 案例 1 (ID: ns05_tr_d64e16d97265) — 稀有类 alarm 漏报#

• 真实标签：alarm | 预测标签：keyboard
• 声学特征成因：这应该是一个闹钟声。其物理声波表现为高频刺耳的周期性泛音震荡。然而，在此段音频中，警报器安装于声场边缘，信号源发生了严重的几何衰减和空间吸音，导致大模型的全局 Embedding 没有捕捉到特征性的高频共振峰，因此模型将微弱的警报声误判为背景键盘音。
• 波形与频谱图：

(2) 案例 2 (ID: ns05_tr_2628eb6fad66) — 稀有类 glass_break 漏报#

• 真实标签：vehicle | glass_break | 预测标签：footsteps | vehicle
• 分析：嘎达的声音我自己也听不出来是啥，官方标注是glass_break，我感觉也不是很准
• 波形与频谱图：

(3) 案例 3 (ID: ns05_tr_0c6579649abe) — 稀有类 vehicle 漏报#

• 真实标签：alarm | vehicle | 预测标签：alarm | glass_break
• 波形与频谱图：

(4) 案例 4 (ID: ns05_tr_680b2f8441b6) — 稀有类 door 漏报#

• 真实标签：door | alarm | 预测标签：alarm
• 声学特征成因：关门声（door）是一种典型且极短促的木质阻尼冲击波，能量主要富集于中低频（100Hz-300Hz）。在本段音频中，背景中存在着刺耳的高强警报泛音（alarm），对耳膜和接收传感器的动态范围产生占优压制，导致这部分中低频敲击信号完全淹没，独立分类器和分类器链对其置信度均未过线。
• 波形与频谱图：

(5) 案例 5 (ID: ns05_tr_f678b027463b) — 多标签事件混淆/误判#

• 真实标签：alarm | 预测标签：alarm | door | vehicle
• 波形与频谱图：

运行环境#

硬件环境截图#

预训练模型与性能说明#

• 开源模型名称：PANNs Cnn14
• 参数规模：约 80.8 M (80,780,104)
• 权重文件名称：Cnn14_mAP=0.431.pth (文件大小 ~312 MB)
• 开源许可证：MIT License
• 官方项目地址：GitHub - qiuqiangkong/audioset_tagging_cnn
• 推理延迟与吞吐：在 NVIDIA RTX 5090 GPU 上，对于 243 条测试集 6.0 秒音频提取其全局 Embedding 特征，总共耗时约 0.90 秒，即单样本平均推理耗时约为 3.7 毫秒，极具工业巡检落地的高并发实时推理性能。

复现步骤#

1
# 1. 安装依赖（建议在独立 conda 环境里跑）
2
pip install torch==2.7.1 lightgbm==4.6.0 librosa==0.11.0 scikit-learn==1.7.0 panns-inference numpy pandas tqdm pillow
3

4
# 2. 下载 PANNs Cnn14 权重，放到指定路径，修改 main.py 里的 checkpoint_path
5

6
# 3. 准备数据，把 train.csv、test.csv、audio/、features/ 按赛题目录结构放好
7

8
# 4. 跑主程序，会自动完成特征提取、训练、阈值优化和预测输出
9
python src/main.py

训练/验证划分方式#

用 GroupKFold(n_splits=5)，以 site（场景）字段分组，保证同场景的音频不会同时出现在训练集和验证集里，避免同源数据泄漏导致验证指标虚高。

随机种子与关键超参数#

预计运行时间与资源消耗#

• 特征提取：训练集 720 条 + 测试集 243 条音频各跑一遍，用 GPU，大概 3–4 分钟。
• 模型训练（两阶段 × 5 折 × 9 类）：大概 3–5 分钟。
• 总共：10–15 分钟。
• GPU 显存：PANNs 推理阶段大约占 1–2 GB。

全局说明#

• 本队使用的 AI 工具：Gemini、Claude
• 主要用途：资料查询 / 代码辅助

逐题声明#

Writeup 写作辅助声明#

• 是否使用 AI 辅助撰写或润色：是
• 使用工具：Gemini
• 使用范围：语言润色 / Markdown 排版 / 根据本队实验记录整理段落
• AI 接触材料：代码片段 / Writeup 要求
• AI 是否生成新的实验结果、验证分数或复现命令：否
• 人工核对方式：队伍成员核对事实、代码、日志、分数和复现命令

训练与推理关键日志#