智慧安防
行人重识别(ReID)是现在计算机视觉研究非常热门的方向,目前在摄像头安防领域获得了广泛的应用,主要解决跨摄像头不同场景下的行人识别与检索问题,可以对无法获取清晰人脸的行人进行跨摄像头检索,提高安防的覆盖率以及时空连续性。
在视频、机器人、智能家居和人机交互等领域中,经常需要对行人的性别、年龄段、头发长短、是否戴帽子、是否带包等属性进行识别。这些属性对于犯罪取证、确定人的身份和社会角色有重要作用,行人属性识别在以上应用领域中起着关键作用。
根据给定的行人图片进行行人属性识别,其中行人属性可参考性别,上衣颜色、下衣颜色、有无戴帽、有无双肩包、有无手拎物、有无单肩包、人体朝向(前后左右)、长短袖、上衣纹理(条纹、纯色、花纹、格子)等。
根据给定的行人图片在测试数据中做行人以图搜图,并将计算相应的mAP和top1,top10
每队提供一台8核16G的虚拟机(windows、两块GPU),网络
每队提供一台8核16G的虚拟机(windows、两块GPU),网络
*比赛第二天测试数据由比赛前两天提前录制
  • 开发语言不限,使用常见的深度学习算法框架如Pytorch、TensorFlow、Caffe、Mxnet等。
  • 选手团队提前在自己的环境进行开发,自行下载行人ReID数据集和行人属性数据集,数据集来源不限,其中行人属性字段可以参考性别,上衣颜色、下衣颜色、有无戴帽、有无双肩包、有无手拎物、有无单肩包、人体朝向(前后左右)、长短袖、上衣纹理(条纹、纯色、花纹、格子)等。
  • 在比赛第一天,选手团队提交自己的算法模型,针对ReID算法,选手根据公布的测试集,提取对应图片的特征值,其中要求特征值长度为1024维float32,以二进制保存,特征值文件名同图片名,后缀‘.data’,例如图片0001_0001_0001.jpg对应特征值文件名0001_0001_0001.data,最后将特征文件上传提交,供主办方计算mAP,top1,top10。
  • 在比赛第二天,针对ReID算法公布第二个测试底库,同样要求选手提取图片对应的特征值,以相同方式保存,根据现场模特实时抓拍图,提取特征值,依照主办发提供工具,在测试底库中进行以人搜人,针对行人属性算法,根据现场模特实时抓拍图,输出属性结果,将结果打印在模特图片上。
  • 评价规则:ReID第一天的测试根据主办方计算的mAP,top1,top10分别对选手团队进行三组排名,每组排名的第一名记一分,第二名记二分,以此类推,将三组得分的均值作为该阶段最后分数,分数越低,该阶段排名越高,取前N名选手团队参加第二天比赛。ReID第二天的测试根据实际搜图的结果,top1命中加二分,在top10中每检索到一张加一分,按最终得分进行排名,分数越高,该阶段排名越高。其中ReID第一天测试排名结果在ReID最终结果占比40%,第二天的测试排名结果占比60%。行人属性算法的测试在ReID第二天测试同步进行,属性输出字段个数不限,每识别准确一个属性,加二分,识别错误扣一分,属性有歧义加零分。按最终得分进行排名,分数越高,排名越高。最终成绩行人ReID排名结果占比70%,行人属性排名结果占比30%。
人工智能
以公共交通交通为出行方式相对于以私人小汽车为出行方式在节约资源、降低排放、保护环境、提高运输效率等方面具有较大优势,而公共交通主要问题体现在公共交通客流时空分布不均衡。预测公共交通客流需求可对已运营的公共交通线路进行科学调度、对新公共交通线路进行合理规划。
此赛事开放了某市6个月49条线路的日客运里程数据,线路位置数据,日客流数据。
参赛者需要对赛题所提供的数据进行挖掘,对公共交通客流需求进行分析,准确预测不同公共交通线路在测试集日期内的每日公共交通客流值。
每队提供一台4核8G的虚拟机(windows、无GPU),网络,
anaconda软件平台以及anaconda所含python包。
每队提供一台4核8G的虚拟机(windows、无GPU),网络,anaconda软件平台以及anaconda所含python包。
训练数据获取路径:链接:https://pan.baidu.com/s/1CmSeZVPuvKcr25nT2_sAGw ,提取码:lu4z
  • 训练数据获取路径:链接:https://pan.baidu.com/s/1CmSeZVPuvKcr25nT2_sAGw ,提取码:lu4z
  • 训练数据文件为train_data.csv
  • 公共交通与地铁线路位置数据文件为location.csv
  • 测试数据文件为test_data.csv
  • 测试答案提交数据文件为result_data.csv
  • 评估指标:

    评估指标用以评判参赛选手对公共交通各线路未来一个月每日客流的预测是否准确,评价指标为平均绝对误差(Mean Absolute Error, MAE):

    式中:At为实际客流值,Ft为预测客流值,即提交数据文件result_data.csv中补全的预测客流值。N为测试数据集数据量,


    MAE说明了预测值的总体平均偏离程度,MAE值越小说明预测偏离越小,得分越高。

  • 评估指标:

    评估指标用以评判参赛选手对公共交通各线路未来一个月每日客流的预测是否准确,评价指标为平均绝对误差(Mean Absolute Error, MAE):

    式中:At为实际客流值,Ft为预测客流值,即提交数据文件result_data.csv中补全的预测客流值。N为测试数据集数据量,MAE说明了预测值的总体平均偏离程度,MAE值越小说明预测偏离越小,得分越高。

  • 比赛过程安排:

    赛前两周:公布比赛数据,选手可以自行根据所提供数据或者外部数据进行模型调试。

    现场赛:36小时

    可使用现场评分系统提交result_data.csv文件来测试比赛模型10次+现场调试指导,以现场大屏投射最终评分为决赛成绩。

  • 现场每队均使用比赛提供的4核8G的虚拟机(windows、无GPU)进行模型调试。
  • 注意事项:

    此赛事不限制参赛者使用外部数据进行竞赛,使用外部数据且进入淘汰赛选手需提供相应数据来源。

    禁止使用除测试数据外任何预测时间段及预测时间段之后的数据。

智慧安防
奖项 队名 组织 成员
一等奖 那只考拉 成都考拉悠然科技有限公司 欧阳瑞麒
二等奖 我来重庆吃火车 杭州电子科技大学 朱鑫、贾明洋、洪吉晨
优胜奖 编译小组 中科院计算所 王召德、夏春伟、刘子娟、杨永新、李奕瑾
优胜奖 cfm-204 电子科技大学 麦智均、许启迪、马远博、韩朝君
人工智能
奖项 队名 组织 成员
一等奖 编译大组 中科院计算所 陈磊、肖佳伟、俞峰、李梓豪、聂义飞
二等奖 悠然考拉 成都考拉悠然科技有限公司 万笛文
优胜奖 我们是最胖的 重庆邮电大学 魏紫祎,陈重元,马梦涵,袁毅,牟以恒
优胜奖 数据服务 紫光华智 熊永福、吴涛
参赛对象
包括但不限于个人开发者,
大专院校学生
参赛要求
组团参赛
( 每个团队<=5人 )
作品要求
最终提交可
执行的程序
参赛形式
线上报名并提交初赛作品,
现场36小时封闭式开发调试
利用算法进行以图搜图。
了解更多
获奖名单
获奖名单
智能交通预测:根据所提供的公共交通运营相关数据进行挖掘,对客流需求进行分析,准确预测不同线路在未来日期内的每日客流变化,为城市公共交通规划提供有力依据。
了解更多
获奖名单
获奖名单
即日起
网上报名开始
10月14日
赛题公布
11月5日
报名、
初赛作品提交截止
11月8日
初赛结果公布
11月15日
现场报到
11月15~16日
现场开发/调优
11月17日
决赛、颁奖
更多资料在 “开发者社区”
版权所有 2003-2019 新华三技术有限公司.保留一切权利.浙ICP备09064986号-1浙公网安备 33010802004416号