忘记密码
$vue{ tip_text }
登录
使用微信登录
$vue{ getCode }
邮箱登录
$vue{ tip_text }
重置密码
请使用微信扫描二维码登录 FlyAI
邮箱登录Caltech256 图像分类竞赛
分享给好友
剩余奖金 ¥ 2,000
立即报名
立即报名
大赛简介
Caltech-256 物品分类数据集由Caltech-101数据集演变而来，该数据集选自Google Image数据集，并手工去除了不符合其类别的图片。在该数据集中共有30,607张图片，256个图片类别，每个类别包括超过80张图片。
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
如何参赛？
- 请在项目详情页点击【立即报名】按钮，首次需验证手机号、完善报名信息
- 请点击本页的【资料下载】按钮，下载参赛资料并详细阅读README.md文件
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 最终比赛成绩以排行榜显示排名为准
- 根据作品提交时间先后顺序进行人工审核，审核合格后提交至排行榜
- 禁止使用外部链接下载代码替换本项目代码
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 | 获奖人数 | 奖金额度说明(按最终得分评判) |
|---|---|---|
| FlyAI挑战奖 | 所有挑战者 | 奖金获取标准：60<Score<=100 按照得分比例获取奖金池金额 |
| 新框架奖励 | 所有人 | 项目中首次使用排行榜中未出现的新框架搭建模型，可获得60FAI币额外积分奖励 |
备注:
- 通过更新排行榜获取奖金，与原排行榜冠军得分差值越大，所获奖金比例越高
- 按照所有挑战者提交作品时间先后，后台审核作品并更新到排行榜中， 【Score】未达奖金获取标准可显示在排行榜中，但无法获取奖金
- 奖金额度获取评判指标说明：【BOUNS】表示奖金池总额度；【Score】表示模型得分；【BU_N】表示第n位达到奖金获取标准并更新排行榜后所获得的奖金总额度
- 提交离线训练，系统自动评判模型Score。奖金获取额度计算公式如下：
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练，获取奖金池高额奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦
数据来源
数据描述
字段说明：
| 字段名 | 字段类型 | 取值区间 | 字段描述 |
|---|---|---|---|
| image_path | string | 不为空 | 图片的相对路径 |
| label | int | 大于等于 0, 小于等于 255 | 物体类别 |
输入字段： image_path,
输出字段： label,
参考文献：
评审标准
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet、PaddlePaddle、FastAI等。
Q:怎么参加比赛，需不需要提交csv文件？
- FlyAI竞赛平台无需提交csv文件，在网页上点击报名，下载项目，使用你熟练的框架，修改main.py中的网络结构，和processor.py中的数据处理。请仔细阅读右侧提交指南，使用FlyAI命令参与比赛。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
展开
- 竞赛排行榜
10
batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为85.68。
PyTorch
DenseNet121
2019-03-17 16:44:17
166.00
85.68
16
batch数据为1024，循环次数为3000次，损失函数优化完，最终完成评分为84.72。
PyTorch
DenseNet121
2019-04-12 16:10:53
10.00
84.72
21
batch数据为128，循环次数为10000次，损失函数优化完，最终完成评分为83.87。
PyTorch
DenseNet121
2019-04-13 22:20:02
10.00
83.87
49
batch数据为64，循环次数为200次，损失函数优化完，最终完成评分为74.58。
PyTorch
ResidualAttentionNetwork
2019-04-03 18:17:19
74.58
万元奖金等你拿，挑战者，都在 FlyAI
点击立即报名
下载参赛资料