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
}