Обратная связь
crowdsourcing DARPA Enterprise 2.0 facilitator Gartner Google IBM idea management Imaginatik knowledge management open innovation social business Social Organization Social Platforms Spigit tacit knowledge wit-проект Witology Агенство стратегических инициатив бизнес-лига Деятельное сообщество инвестиции инновации кейсы коллективный интеллект команда Witology краудрекрутинг краудсорсеры краудсорсинг краудсорсинг-проект краудсорсинг-проекты краудфандинг менеджмент идей метаразум методология мотивация Национальная предпринимательская инициатива НПИ облачное предприятие облачные предприятия общественное благо открытые инновации отчеты предсказания приз производство знаний публикации краудсорсеров рынки предсказаний Сбербанк семинар синтеллектуальный краудсорсинг Социально-семантические сети Социальное предприятие социальные платформы социальные сети социальные технологии Социальный бизнес социо-семантическая сеть ТеМП фасилитатор футбол эпоха социализации и коллаборативизации

Задача проекта по распознаванию изображений

Просмотров2688
Комментариев0

f8c9129c20631b2d72dc0dba5eb5229a.jpg

Предлагаем вашему вниманию описание вводных данных, доступных участникам проекта, требований, предъявляемых к разрабатываемым решениям, и критериев, по которым будет оцениваться работа.

Вводные материалы
Участники располагают следующим набором вводных данных:
1. Набор фотографий, товары на которых необходимо распознать.
2. Продуктовый каталог, который содержит образцы фото различных товаров с присвоенным кодом.
3. Обучающий набор данных.
4. Тестовый набор данных
Три последние файла представлены в урезанном виде. Доступ ко всем материалам в полном объеме вы получите после регистрации на проект.

Задача
Участникам необходимо создать решение-алгоритм, которое позволит:
1. Идентифицировать продукты-кандидаты на фото, что подразумевает указание на их расположение на снимке.
2. Классифицировать этих кандидатов, опознав их как определенный тип товара из продуктового каталога.
3. Привести оценку степени уверенности для пунктов 1 и 2.

Поставленная задача является задачей машинного обучения, поэтому обязательным  условием является наличие следующих трех интерфейсов программирования приложений (APIs):
1. Обучающий API. Его задача — обучить алгоритм и представить на выходе обученную модель
2. Тестовый API. Его задача  — отфильтровать перечень продуктов-кандидатов и сгенерировать статистический отчет по результатам работы модели в сравнении с тестовым набором данных.
3. Результирующий API. Распознать товары по фото, с использованием обученной модели и отфильтровать продукты-кандидаты с использованием механизма отсечения.

С более подробной информацией о том, что должно быть на входе и выходе для каждого API, вы сможете ознакомиться после регистрации на проект.

Оценка качества работы
Победитель будет установлен на основании внутренних критериев, базирующихся на метриках охвата и точности.
1. Охват обнаружения объектов при 90% точности обнаружения: тестирует какой процент объектов алгоритм способен обнаружить, когда их обнаружение отличается высокой вероятностью.
2. Охват обнаружения объектов при 50% точности обнаружения: тестирует какой процент объектов алгоритм способен обнаружить, когда их обнаружение отличается нестрогой вероятностью.
3. Точность классификации объектов при 90% точности обнаружения: тестирует насколько корректно продукты могут быть классифицированы, когда ограничения модели таковы, что среди идентифицированных объектов есть несколько ложноположительных.
4. Точность классификации объектов при 50% точности обнаружения: тестирует насколько корректно продукты могут быть классифицированы, когда ограничения модели достаточно мягки для того, чтобы обнаружить половину объектов.

Для каждого критерия установлено минимальное значение, без которого API нельзя считать успешным, а также ожидаемое значение, которому необходимо соответствовать, чтобы рассчитывать на победу. Эти данные также будут вам доступны после регистрации.

  • Опубликовать в Facebook
avatar