[DEEPFAKE & Datawhale AI 夏令营] TASK1 笔记

赛题数据集

第一阶段

在第一阶段，主办方将发布训练集和验证集。参赛者将使用训练集 (train_label.txt) 来训练模型，而验证集 (val_label.txt) 仅用于模型调优。文件的每一行包含两个部分，分别是图片文件名和标签值（label=1 表示Deepfake图像，label=0 表示真实人脸图像）。

第二阶段

在第一阶段结束后，主办方将发布测试集。在第二阶段，参赛者需要在系统中提交测试集的预测评分文件 (prediction.txt)，主办方将在线反馈测试评分结果。文件的每一行包含两个部分，分别是图片文件名和模型预测的Deepfake评分（即样本属于Deepfake图像的概率值）。

第三阶段

在第二阶段结束后，前30名队伍将晋级到第三阶段。在这一阶段，参赛者需要提交代码docker和技术报告。Docker要求包括原始训练代码和测试API（函数输入为图像路径，输出为模型预测的Deepfake评分）。主办方将检查并重新运行算法代码，以重现训练过程和测试结果。

评价指标

评估指标

比赛的性能评估主要使用ROC曲线下的AUC（Area under the ROC Curve）作为指标。AUC的取值范围通常在0.5到1之间。若AUC指标不能区分排名，则会使用TPR@FPR=1E-3作为辅助参考。

其他要求

仅允许提交单个模型，有效网络参数不得超过200M（使用[thop工具](https://pypi.org/project/thop/)统计模型参数）。

为公平比较算法性能，本次比赛不允许使用任何额外的数据集，仅允许使用ImageNet1K训练预模型。

基于发布的训练集生成的扩展样本（通过数据增强/Deepfake工具）可以用于训练，但这些工具需在第三阶段提交以供重现。

第一次跑baseline的结果：

代码改进方向

（by 阿水老师）

1.更多的数据集增强（旋转、颜色变换、mixup、cutmix）→增加robust

2.更换模型（在满足模型要求情况下的最大，理论上大一点的模型表现效果好一些）