其他

野外动物监测图像挑战赛:预测捕捉到的野外图像是否包含动物

2018-03-09 孔令双 AI研习社

野外相机能够自动收集大量的图像信息,不过不幸的是,收集到的大量图片都是误报,这些错误大多是由非动物引起的,比如草木的晃动。

本次比赛旨在预测白天和晚上从各个地点捕捉到的图像是否包括动物,其主要的挑战是推断出数据集中不存在的野外相机的位置。另一个挑战是某些图像可能包含会触发相机但是对结果毫无用处的信息,比如车辆和人。

比赛官网:

https://sites.google.com/view/fgvc5/competitions/fgvcx/iwildcam

赛事官方 Github 页面:

https://github.com/visipedia/iwildcam_comp

  数据

本次比赛的图像数据包括总共 150735 张来自 65 个不同位置的相机的图片和 16408 张来自 10 个新位置相机的在训练时没见过的照片。位置 ID 是针对所有图像给出的,图像子集来自最多 3 张图像的短序列。本次比赛不提供元数据,但是元数据可以在图像中提取。

  注意事项

一般来讲,参赛者只能使用提供的图像训练模型来分类图像。官方不希望参赛者抓取网络上的图像来训练。预训练模型可用于构建算法(例如 ImageNet 预训练模型,或 iNaturalist 2017/2018 预训练模型)。上传结果时,请用指定的训练数据。

  注释格式

官方遵循 COCO 数据集(http://mscoco.org/dataset/#download)格式并加入了一些额外的字段。每个训练数据都有一个 category_id,其值为 0 时表示没有动物,值为 1 时表示有动物。注释以 JSON 格式储存,并按以下方式组织:

{
 "info" : info,
 "images" : [image],
 "categories" : [category],
 "annotations" : [annotation]
}

info{
 "year" : int,
 "version" : str,
 "description" : str,
 "contributor" : str
 "date_created" : datetime
}

image{
 "id" : str,
 "width" : int,
 "height" : int,
 "file_name" : str,
 "rights_holder" : str,
 "location": int
}

category{
 "id" : int,
 "name" : str
}

annotation{
 "id" : str,
 "image_id" : str,
 "category_id" : int
}

NLP 工程师入门实践班:基于深度学习的自然语言处理

三大模块,五大应用,手把手快速入门 NLP

海外博士讲师,丰富项目经验

算法 + 实践,搭配典型行业应用

随到随学,专业社群,讲师在线答疑

▼▼▼





新人福利



关注 AI 研习社(okweiwu),回复  1  领取

【超过 1000G 神经网络 / AI / 大数据,教程,论文】



教你用 Keras 做图像识别!只会图像检测并不强力

▼▼▼

56 28902 56 16286 0 0 3840 0 0:00:07 0:00:04 0:00:03 3841

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存