Project

愛文芒果影像辨識雙項競賽

時程:

  • 2020年 3 月 2 日競賽網站正式上線
    • 開放下載 訓練集、建構集資料 ,並且有讓同學們組隊的功能,請本門課程修課同學踴躍參賽!
    • 該競賽也將配合課程時程提供競賽成績,以供授課老師以本競賽作為學期作業。
  • 3 月 31 日報名期限截止;
  • 4月 8日(三) 9:10~12:00 在 輔大聖言樓六樓SF645 舉辦影像工作坊,針對本競賽提供基礎模型,以手把手教學(Hands-on)方式教同學。但是因為近期疫情日趨嚴峻,未來情況難以預測,或許可能將實體工作坊改為線上課程。
  • 6 月 24 日公布成績,提供老師學期成績之用。

相關連結:競賽討論臉書社團工研院 AIdea平台註冊連結

工作坊:可能會在輔大舉辦工作坊,針對本競賽提供基礎模型,以手把手教學(Hands-on)方式教同學。

4/8 影像工作坊

將邀請經驗豐富的 AI HUB Taipei 共同創辦人暨席思人工智能學院 SIS AI College 總經理 許旭安 Bob 來進行教學。

預計會進行三小時,內容大致是「理論基礎、影像辨識模型建立與調整、除錯及優化」,以 Keras(tensorflow 2.0基底版本)與Google Colab來訓練,並且會提供後續的線上解答服務。

但是因為近期疫情日趨嚴峻,未來情況難以預測,或許可能將實體工作坊改為線上課程。


Sample Data Download

Carousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel imageCarousel image

  • 競賽時程:
    • 2019/06/01 Qualification Competition Start, Release Public Testing Data
    • 2019/07/14 Release Testing Data for Qualification
    • 2019/07/21 15:59:59 UTC Qualification Competition End
    • 2019/07/22 Final Competition Start, Release Private Testing Data for Final
    • 2019/07/28 15:59:59 UTC Final Competition End
    • 2019/08/09 Award Announcement
  • 議題簡介:
    • Object detection in computer vision area has been extensively studied and making tremendous progress in recent years using deep learning methods. However, due to the heavy computation required in most deep learning based algorithms, it is hard to run these models on embedded systems, which have limited computing capabilities.
    • In this competition, we encourage the participants to design object detection models that do not only fit for embedded systems but also achieve high accuracy at the same time.
    • The goal is to design a lightweight deep learning model suitable for constrained embedded system design. We focus on model size, computation complexity and performance optimization on NVIDIA Jetson TX2.
    • Given the test image dataset, participants are asked to detect objects belonging to the following three classes {pedestrian, vehicle, rider} in each image, including class, bounding box, and confidence.
    • This competition is divided into two stages: qualification and final competition.
      • Qualification Competition: all participants submit their answers online. A score is calculated. The top 10 teams would be qualified to enter the final round of competition.
      • Final Competition: the final score will be evaluated over NVIDIA Jetson TX2 for the final score.

  • 競賽時程:2019年
    • 2月20日-開放報名。
    • 5月13日-報名截止。
    • 5月17日-解題成果上傳截止日
  • 議題簡介:
    • 登革熱,是一種藉由病媒蚊叮咬而感染的急性傳染病,每年台灣入夏後,容易引爆登革熱感染潮,典型登革熱的症狀會有突發性的高燒(≧38℃),頭痛、後眼窩痛、肌肉痛、關節痛及出疹等現象;然而,若是先後感染不同型別之登革病毒,有更高機率導致較嚴重的臨床症狀,如果沒有及時就醫,死亡率高達20%以上。
    • 要有效防範登革熱,清除病媒蚊產卵、幼蟲孳生的地方為根本之道。病媒蚊孳生源泛指所有『積水容器』,例如瓶、盆、桶、罐、杯、碗、輪胎、塑膠袋等。
    • 每年登革熱的流行季節,衛生局需派員稽查各住家、社區及髒亂地點是否有積水容器,然而容器種類眾多容易被忽略,且以人工辨識往往耗費太多人力與時間成本。因此本議題提供各種積水容器之標註資料,希望能透過影像物件偵測技術,能讓稽查人員藉由影像或是視訊提醒其積水容器之物件位置,除了提高稽查效率外,更期望進一步運用於其他載具中。
  • 資料說明
    • 本議題提供由衛生福利部疾病管制署蒐集台灣各地具積水容器之場景,時間從 2008 年至 2018 年,其中 75%% 的影像資料,長寬比為 400 x 300。訓練資料( train_cdc.zip )共 2671 張,測試集資料共 2248 張,其中 23.7%% 的資料為計算 public leader board 分數使用,76.3%% 為計算 Private leader board 分數使用。每張影像提供其標註物件與物件 bounding box,標註積水容器物件類別有 aquarium、bottle、bowl、box、bucket、plastic_bag、plate、styrofoam、tire、toilet、tub、washing_machine、water_tower。
    • 下載檔案
      • train_cdc.zip :開發程式時所需的訓練資料,提供對應訓練影像之標註資料XML檔,此 XML 檔仿照 PASCAL VOC 格式,內容提供標註影像的檔名(filename)、影像大小(size)及標註物件(object)。每個標註物件(object)會提供其物件名稱(name)、標註 bounding box 之左上座標(xmin, ymin)與右下座標(xmax, ymax)。
      • test_pub_cdc.zip:開發程式時所需的測試影像資料(JPG格式),共 534 張。
      • test_cdc.zip 檔案:2019/05/14 才提供公開下載,為競賽排名時所需的測試影像資料(JPG格式),共 2248 張(包含 test_pub_cdc.zip 的資料)。

  • 競賽時程:
    • 即日起開始至2019年5月30日
  • 議題簡介:
    • 自動光學檢查(簡稱 AOI)[1],為高速高精度光學影像檢測系統,運用機器視覺做為檢測標準技術,可改良傳統上以人力使用光學儀器進行檢測的缺點,應用層面包括從高科技產業之研發、製造品管,以至國防、民生、醫療、環保、電力…等領域。工研院電光所投入軟性電子顯示器之研發多年,在試量產過程中,希望藉由 AOI 技術提升生產品質。本次邀請各界資料科學家共襄盛舉,針對所提供的 AOI 影像資料,來判讀瑕疵的分類,藉以提升透過數據科學來加強 AOI 判讀之效能。
    • 本議題為開放式議題,提供持續性長期解題,並設有里程碑獎勵,Baseline為前階段的最佳成績,Private Leaderboard將不定期更新。
  • 資料說明
    • 本議題所提供之影像資料,包含 6 個類別(正常類別 + 5 種瑕疵類別)。
    • 下載資料 aoi_data.zip 檔案包含:
      • train_images.zip:訓練所需的影像資料(PNG格式),共計 2,528 張。
      • train.csv:包含 2 個欄位,ID 和 Label。
        • ID:影像的檔名。
        • Label:瑕疵分類類別(0 表示 normal,1 表示 void,2 表示 horizontal defect,3 表示 vertical defect,4 表示 edge defect,5 表示 particle)。
      • test_images.zip:測試所需的影像資料(PNG格式),共計 10,142 張。
      • test.csv:包含 2 個欄位,ID 和 Label。
        • ID:影像的檔名。
        • Label:瑕疵分類類別(其值只能是下列其中之一:0、1、2、3、4、5)。