训练¶
训练阶段为后续 LBSA 和 TRL 生成校准良好的窗口级后验模型。目标是获得时间上稳定的 类别证据，而不是单独追求窗口准确率。
协议¶
80 条训练记录用于拟合模型并在训练阶段选择检查点。20 条开发／校准记录用于校准和 诊断时序策略。37 条外部测试记录只在最终评分时使用。
所有保留模型采用相同的网络与训练方案，只改变窗口长度和随机种子。
| 设置 | 取值 |
|---|---|
| 窗口 | 3 秒、5 秒、8 秒 |
| 步长 | 1 秒 |
| 每个尺度的种子 | 42、123、456 |
| 批量大小 | 256 |
| 优化器 | AdamW |
| 学习率 | \(1\times10^{-3}\) |
| 调度 | 余弦退火 |
| 标签平滑 | 0.1 |
模型¶
分类器含 141 万参数，由三条一维卷积分支与 BiLSTM 组成。卷积核 3、7、15 捕捉 不同感受野的运动模式，BiLSTM 补充窗口内的前后顺序。输出为背景加五类运动。
该骨干网络刻意保持紧凑。它负责产生可靠的后验概率时间线，使后续分析可以单独研究 尺度仲裁与记录构建。
目标函数¶
训练目标由交叉熵、Focal Loss 和 Triplet Loss 共同组成：
\[
\mathcal{L}
=
\mathcal{L}_{\mathrm{CE}}
+
\lambda_{\mathrm{focal}}\mathcal{L}_{\mathrm{focal}}
+
\lambda_{\mathrm{triplet}}\mathcal{L}_{\mathrm{triplet}},
\qquad
\lambda_{\mathrm{focal}}=0.2,
\quad
\lambda_{\mathrm{triplet}}=0.1.
\tag{1}
\]
- 交叉熵学习六分类决策；
- Focal Loss 侧重较难样本；
- Triplet Loss 增强嵌入区分度；
- 类别平衡采样限制高频类别的主导作用。
数据增强包括幅度缩放、高斯噪声、随机平移、时间扭曲和 Mixup。标签平滑与 Mixup 还可减少模糊边界附近过度自信的概率尖峰。
保留模型¶
三个尺度各训练三个随机种子，共九个模型。下表为训练阶段内部验证 F1，不是外部测试证据。
| 尺度 | 种子 | 最佳轮次 | 内部验证 F1 |
|---|---|---|---|
| 3 秒 | 42 | 53 | 0.81 |
| 3 秒 | 123 | 37 | 0.80 |
| 3 秒 | 456 | 73 | 0.81 |
| 5 秒 | 42 | 37 | 0.81 |
| 5 秒 | 123 | 38 | 0.86 |
| 5 秒 | 456 | 32 | 0.81 |
| 8 秒 | 42 | 31 | 0.85 |
| 8 秒 | 123 | 38 | 0.85 |
| 8 秒 | 456 | 27 | 0.85 |
最终系统每个尺度只保留一个模型：3 秒使用种子 42，5 秒和 8 秒使用种子 123。 同一尺度内不平均多个种子，跨尺度融合由 LBSA 完成。
解读¶
长窗口的平均内部验证表现更稳定，但会模糊边界；短窗口定位切换更准确，却更易受 噪声影响。因此，训练阶段提供互补的后验来源，并不直接决定最终记录策略。
报告边界
内部验证结果只用于选择模型，不能与研究结果页面中的固定 外部测试片段分数混用。