2018 BOT 新零售技术挑战赛 - 结果提交
第三届上海 BOT 新零售数据智能创新应用国际大赛
提交时间
测试集 1 发布后每天可提交结果,排行榜每日下午 16:00 可刷新成绩,此成绩仅作为晋级决赛参考。
测试集 2 在决赛日公布下载,参赛者需要在测试集公布后半小时内提交最终测试结果。最终排名依据测试集 2。
提交格式
- 参赛团队需要提交算法在测试集上的最终结果文件,以 json 格式提供,整个验证集的结果统一放在一个 json 文件中,并将 json 文件提交。
- json 文件命名格式:<参赛组名>_ <测试集名称>_<日期>_<提交序号>.json,其中测试集名称分别为 val1 和 val2,对应测试集 1 和测试集 2,日期格式 yyyy-mm-dd,提交序号从 1 开始,每天清零,当天每提交一次提交序号递增 1,例如 group1_val1_20180630_1.json 代表参赛组 group1 在 2018 年 06 月 30 日针对测试集 1 的第一次提交
- 内容格式详见下文示例,其中每张图片的结果为 results 数组的一个元素,该元素为一个 json 对象,包含了对应的图片的所有行人检测识别的预测结果,预测结果内容:
(1) 行人检测定位结果,包括图像中目标对象 Bounding Box 的坐标以及预测的置信度,坐标为对象的矩形框的左上角和右下角坐标,以原图尺寸上的坐标值表示 (以原图左上角为原点)。
(2) 属性、行为类别的预测结果,以置信度表示。
参赛方需保证格式正确
提交结果文档说明
本比赛的结果为 JSON 格式,请各位选手在提交前自行检查提交结果的格式是否正确。
大赛提供三种方式进行检查:
- 根据 JSON 提交样例编写自己的结果文件,请在数据集处下载。
- 可使用如下链接进行检查 http://www.bejson.com/。
- 根据格式检查工具检查自己内部文件格式,格式检查工具在数据集处下载。
提交结果示例
提交要求
(1) 要求参赛者给出算法在测试集上的最终结果文件,该文件为 JSON 格式,参赛者必须保证文件格式的正确性。
(2) 比赛时间为 2018 年 07 月 17 日 - 2018 年 10 月 10 日,08 月 13 日测试集 1 公布后每天可提交结果,10 月 08 日 24:00 截止提交。每个提交日 (00:00 - 24:00) 可重复提交,重复提交的预测结果文件将会覆盖之前的版本,评测将以当日最后一次提交的文件为准,次日 16:00 更新排行榜。10 月 10 日测试集 2 公布后半小时内,参赛队伍需要完成最终结果的提交,超时后不能再进行提交。每支参赛队伍只能提交一份最终结果。
(3) 仅参赛团队队长有提交权限。
(4) 比赛选取其中最优成绩作为晋级标准。
(5) 终极验证环节:为了保证比赛的公平性和公正性,大赛设置终极验证环节,终极验证环节成绩将作为获奖资格评判的重要标准。
(6) 比赛环境:参赛者在比赛期间可以下载数据。本比赛为离线比赛,对开发环境没有限制。
评测标准
-
分别对行人检测定位和行人属性行为进行准确率加权评测,总分为 100 分,其中行人检测定位权重占比 30% (30 分),行人属性行为占比 70% (占 70 分)。
-
行人检测定位准确率统计方法
(a) 统计检测结果坐标与标注坐标的对象矩形差异,以预测矩形和标注矩形的左上角和右下角坐标的偏差进行评测:
标注矩形左上角坐标为 ( l x 0 lx_0 lx0, l y 0 ly_0 ly0),右下角坐标为 ( r x 0 rx_0 rx0, r y 0 ry_0 ry0),宽为 w 0 w_0 w0,高为 h 0 h_0 h0,
预测矩形左上角坐标为 ( l x 1 lx_1 lx1, l y 1 ly_1 ly1),右下角坐标为 ( r x 1 rx_1 rx1, r y 1 ry_1 ry1),宽为 w 1 w_1 w1,高为 h 1 h_1 h1,
误差 e e e
e = d ( l x ) + d ( l y ) + d ( r x ) + d ( r y ) e = d(lx) + d(ly) + d(rx) + d(ry) e=d(lx)+d(ly)+d(rx)+d(ry)
d ( l x ) = a b s ( l x 0 − l x 1 ) w 0 d(lx) = \frac{abs(lx_0 - lx_1)}{w_0} d(lx)=w0abs(lx0−lx1)
d ( l y ) = a b s ( l y 0 − l y 1 ) h 0 d(ly) = \frac{abs(ly_0 - ly_1)}{h_0} d(ly)=h0abs(ly0−ly1)
d ( r x ) = a b s ( r x 0 − r x 1 ) w 0 d(rx) = \frac{abs(rx_0 - rx_1)}{w_0} d(rx)=w0abs(rx0−rx1)
d ( r y ) = a b s ( r y 0 − r y 1 ) h 0 d(ry) = \frac{abs(ry_0 - ry_1)}{h_0} d(ry)=h0abs(ry0−ry1)
若 e ≤ 0.25 e \leq 0.25 e≤0.25,则 e = 1 e = 1 e=1,否则 e = 0 e = 0 e=0。
(b) 对所有的图片的对象,统计误差 e e e 与置信度乘积的和,得出行人检测定位准确率:
P 0 = ∑ N i = 0 e i c i N P_{0} = \frac{\sum_{N}^{i=0} e_{i}c_{i}}{N} P0=N∑Ni=0eici
其中 N N N 为对象总数, e i e_i ei 为第 i i i 个对象的误差, c i c_i ci 为第 i i i 个对象的置信度。 -
行人属性行为准确率统计方法
(a) 模型预测某项属性的置信度 > 0.5 > 0.5 >0.5 时,认为具备该项属性/行为 (对于互斥的属性,取置信度较大的为准)。
(b) 如果图像 i i i 某项标注标签与模型预测的标签一致,则认为该属性预测正确,预测正确数 T i T_i Ti 加 1,否则预测正确数不变,该图片的预测正确率计算如下:
D ( i ) = T i / T D(i) = T_i / T D(i)=Ti/T,其中 T T T 为图像 i i i 标注标签总数。
(c) 平均准确率 D D D 计算如下, N N N 为图片总数。
D = ∑ N i = 0 D i N D = \frac{\sum_{N}^{i=0} D_{i}}{N} D=N∑Ni=0Di
- 最终准确率
P
P
P
P = P 0 ∗ 0.30 + D ∗ 0.70 P = P_0 * 0.30 + D * 0.70 P=P0∗0.30+D∗0.70