【最新競賽】阿里天池最新比賽!37W獎金等你來拿~

【最新競賽】阿里天池最新比賽!37W獎金等你來拿~

競賽地址:tianchi.aliyun.com/comp

天池比賽又上新了,這次是一個CV類的比賽,話不多說,快看題吧~

雪浪製造AI挑戰賽——視覺計算輔助良品檢驗

2018雪浪製造AI挑戰賽,由江蘇省無錫經濟開發區(太湖新城)、阿里雲計算有限公司聯合主辦。大賽基於阿里雲天池平台,提供數千份精標註布樣數據,以「視覺計算輔助良品檢驗」為主題,聚焦布匹疵點智能識別,開展大數據與人工智慧技術在布匹疵點識別上的應用探索,助力工業製造良品提升。

作為本次大賽的數據提供方,江蘇陽光集團提供豐富和完善的布料樣本,包括布樣、取樣環境、疵點判斷標準,以及工藝專家的專業指導,從軟硬體環境諸多方面提供大賽支撐。

賽程安排

本次大賽分為初賽、複賽和決賽三個階段,時間分別為:

初賽(7月10日-8月3日,UTC+8)

複賽(8月7日-8月31日,UTC+8 )

決賽(9月13日-14日,UTC+8 )

報名方式

1. 報名開始時間:2018年6月30日(UTC+8);

2. 截止報名及組隊變更時間:2018年8月2日12:00(UTC+8);

3. 參賽隊伍1-5人組隊參賽,每位選手只能加入一支隊伍;

4. 確保報名信息準確有效,否則會被取消參賽資格及激勵;

5. 報名方式:用淘寶或阿里雲賬號登入天池官網,完成個人信息註冊,即可報名參賽。

獎項設置

- 冠軍:1支隊伍,獎金貳拾萬,頒發獲獎證書

- 亞軍:1支隊伍,獎金拾萬,頒發獲獎證書

- 季軍:1支隊伍,獎金伍萬,頒發獲獎證書

- 決賽第4-5名:各1支隊伍,獎金壹萬人民幣,頒發獲獎證書

(上述獎項以決賽答辯的最終名次決定)

- 極客獎:複賽Top20隊伍,頒發極客獎證書

競賽題目

布匹疵點檢驗是紡織行業生產和質量管理的重要環節,目前的人工檢驗速度慢、勞動強度大,受主觀因素影響,缺乏一致性。2016年我國布匹產量超過700億米,且產量一直處於上升趨勢,如果能夠將人工智慧和計算機視覺技術應用於紡織行業,對紡織行業的價值無疑會是巨大的。

本次大賽要求選手開發演算法模型,通過布樣影像,檢驗布樣中的疵點分類、長度與面積、所處位置。通過探索布樣疵點精確智能診斷的優秀演算法,提升布樣疵點檢驗的準確度,降低對大量人工的依賴,提升布樣疵點質檢的效果和效率。

阿里雲將為參賽選手提供機器學習PAI平台,複賽團隊可申請使用。入圍決賽的參賽團隊方案里,必須包含深度學習作為主要演算法。

競賽數據(初賽)

本次大賽涵蓋了紡織業中素色布的各類重要瑕疵。數據共包括2部分:原始圖片和瑕疵的標註數據。

訓練數據文件結構

a) 我們將提供用於訓練的圖像數據和標註數據,文件夾結構:

o 正常

o 薄段

o 筆印

o織稀

b) 正常 : 存放無瑕疵的圖像數據,jpeg編碼圖像文件。圖像文件名如:XXX.jpg

c) 薄段、筆印、…、織稀: 按瑕疵類別分別存放瑕疵原始圖片和用矩形框進行瑕疵標註的位置數據。圖像文件jpeg編碼。標註文件採用xml格式,其中filename欄位是圖像的文件名,name欄位是瑕疵的類別,bndbox記錄了矩形框左上角和右下角的位置。圖像左上角為(0,0)點,向右x值增加,向下y值增加。

比賽規則

大賽分為初賽和複賽兩個階段。初賽階段考察瑕疵檢出能力,將提供全量瑕疵的圖片數據用於訓練不良布匹的識別模型。複賽階段將聚焦部分重要的瑕疵,兼顧考察瑕疵檢出和瑕疵分類能力,將提供部分瑕疵的圖片數據用於訓練瑕疵的分類模型。

在比賽中,使用多個模型的結果進行簡單融合(如坐標位置/標籤概率求平均等等),被認為是多模型策略。我們不鼓勵過度堆砌模型和硬體來刷高比賽得分的行為。為倡導比賽演算法的創新性和實用性,我們將在複賽階段對「多模型策略」進行限制。分2個階段進行說明:

a) 預測階段

複賽要求預測階段僅能使用不超過2個的模型,並且我們認定一個模型的大小(Param Mem)必須小於600MB(即不超過VGG19的模型大小)。

注意1:同一網路結構但參數不同也被認為是不同模型。

b) 預處理階段

我們認定預處理階段的產出結果僅限於:圖像編輯(Image Augmentation)和輔助決策信息。預處理階段不做模型大小和數量的限制,但預處理階段的運算量和運算時間也會納入決賽評委對方法實用性的考量,請合理設計。產出檢驗定位結果屬於預處理,直接產出分類標籤則屬於預測階段。

提交說明

參賽者提交CSV格式文件。

初賽第一行標記每一列的名稱,一共2列,分別為圖像文件名(filename)和概率(probability)。從第二行之後的每一行都記錄一張圖片包含瑕疵的概率。格式如下:

filename,probability

XXX.jpg,0.9

XXX.jpg,0.2

複賽第一行標記每一列的名稱,一共3列,分別為圖像文件名(filename),瑕疵名(defect code)和概率(probability)。從第二行之後的每一行都記錄一張圖片包含瑕疵的概率。格式如下:

filename,defect code,probability

XXX.jpg,XX,0.2

XXX.jpg,XX,0.1

評估指標

選手檢驗出的結果和標準答案對比。

初賽計算AUC(Area Under Curve)

複賽計算AUC*0.7+mAP*0.3,其中mAP為Mean Average Precision。

注意事項

1、此次挑戰賽不限制參賽者使用外部數據/模型進行競賽。

但禁止以下行為:

a) 人工標註/修改評測結果數據

b) 多賬號刷分等

2、 如果抽查發現參賽隊伍有造假、作弊、雷同等行為,將取消該隊伍的參賽資格及獎勵。

想要更多競賽相關資訊?關注小喇叭微信公眾號:ML_xiaolaba,獲取第一手機器學習競賽消息~

推薦閱讀:

「Google,不許聯想」
高效率的數據營銷,要先與用戶「搞好」關係
全網人工智慧機器學習免費資源匯總清單
機器學習的數學原理
Pepper 又找到新工作了,這次是博物館的管理員 | 科技有意思

TAG:機器學習 | 人工智慧 | 深度學習DeepLearning |