kaggle中关于图像的比赛整理

传送门：https://www.kaggle.com/competitions点击打开链接

world文档下载地址：https://download.csdn.net/download/qq_33614902/10482467点击打开链接

一、图像

图像分割

1、CVPR 2018 WAD VideoSegmentation Challenge

将车辆拍摄的图像帧中的每个物体进行分割。

2、Carvana ImageMasking Challenge

自动识别图像中汽车的边界。

要求：开发一种自动删除照相馆背景的算法。

 

图像分类

1、iNaturalistChallenge at FGVC5

长尾物种分类。

iNat Challenge 2018数据集包含8,000多种物种，450k张图像。

评估：每张图片可以预测3个类别标签。击中误差为0，否则误差为1。

2、iMaterialistChallenge (Fashion) at FGVC5

根据图片识别出时尚产品所属类别。

评估：使用Mean F1 得分。

3、iMaterialistChallenge (Furniture) at FGVC5

家具和家居用品的图像分类。

每张图片只能预测一个类别。

4、Plant Seedlings Classification

从图像中确定植物幼苗的种类。

5、Dog BreedIdentification

确定狗的品种。

要求：对于每个图像，必须预测每个不同品种的概率。

6、Cdiscount’s ImageClassification Challenge

根据图像预测产品的类别。

7、NIPS 2017:Non-targeted Adversarial Attack

非针对性攻击的目标是稍微修改源图像，使得图像将被一般未知的机器学习分类器错误地分类。

8、NIPS 2017: TargetedAdversarial Attack

目标攻击的目标是稍微修改源图像，使得图像将被一般未知的机器学习分类器分类为指定的目标类别。

9、NIPS 2017: DefenseAgainst Adversarial Attack

防御的目标是构建机器学习分类器，该分类器对抗例子是强健的，即可以正确分类敌对图像。

10、iNaturalistChallenge at FGVC 2017

动植物分类。

iNat Challenge 2017数据集包含5,089个物种，数据集包含675,000张图像。

对于测试集中的每个图像，您必须预测5个类别标签。

11、iMaterialistChallenge at FGVC 2017

根据图片对服装产品进行分类。

对于每个图像i和任务t，可能存在多个标签g，只要产生的标签与一个基本事实标签相同，那么预测就被认为是正确的。

12、Intel &MobileODT Cervical Cancer Screening

基于图像准确识别女性子宫颈类型的算法。

要求：对于每张图片，提交每个类型的概率。

13、Data Science Bowl2017

竞赛的任务是创建一个自动化的方法，能够确定患者是否会在扫描日期的一年内被诊断为肺癌。ground truth标签通过病理诊断得到确认。

要求：对于每张图片，要提交1年内被诊断为肺癌的概率。

14、Dogs vs. Cats Redux:Kernels Edition

简单的图像分类问题。

训练集包含25,000个狗和猫的图像。测试集包含12,500个图像。要求：预测每张图像是狗的概率（1 =狗，0 =猫）。

15、Leaf Classification

使用二值叶图像和提取的特征，包括形状，边缘和纹理，以准确识别99种植物。

要求：对于每张叶子图片，分别给出属于每种物种的概率。

16、First Steps WithJulia

使用Julia从Google街景图像中识别字符。

要求：对每张图片，给出其类别标签（如：A,b,c）。

17、Yelp RestaurantPhoto Classification

分类问题：根据照片预测餐馆的属性标签。

每张照片可能对应多个标签。

18、Identify signs ofdiabetic retinopathy in eye images

可能是分类问题，有难度。

识别眼部图像中糖尿病视网膜病变的迹象。

该竞赛的主要目标是开发可在噪声和变化情况下运行的强大算法。

 

 

目标检测

1、Google LandmarkRecognition Challenge

预测图像中包含的地标，并给出置信度。

要求：最多只能预测一个地标，图像中可能无地标。

2、Statoil/C-COREIceberg Classifier Challenge

预测图像包含一个冰山的概率（介于0和1之间的数字）。

3、Invasive SpeciesMonitoring

开发算法来更准确地识别森林和树叶的图像是否含有侵入性绣球。

要求：预测图像是否包含入侵物种的目标变量的概率

4、Planet:Understanding the Amazon from Space

使用卫星数据追踪亚马逊热带雨林的人类足迹。

对于测试集中列出的每个图像，预测您认为与图像关联的标签的空格分隔列表。有17种可能的标签：农业，artisinal_mine，bare_ground，开花，吹，明确，阴天，常规，种植，居住，阴霾，partially_cloudy，小学，道路，selective_logging，slash_burn，水。

5、NOAA FisheriesSteller Sea Lion Population Count

准确计算航拍照片中海狮的数量。

6、The NatureConservancy Fisheries Monitoring

自动检测和分类渔船捕获的金枪鱼，鲨鱼等物种。

数据集：视频。

要求：8个类别，并给出8个类别的概率

7、Facial KeypointsDetection

该任务的目标是检测脸部图像上的关键点位置。

什么是关键点：共15个，如左右眼、鼻子、嘴巴等。

8、Ultrasound NerveSegmentation

建立一个模型，可以识别颈部超声图像数据集中的神经结构。

9、Right WhaleRecognition

目标检测：在航拍照片中识别濒危的右鲸。

要求：对每张图像给出预测到的可能的鲸鱼和对应的概率。

 

 

目标检索

1、Google LandmarkRetrieval Challenge

给定一幅图像，你能找到数据集中所有相同的地标吗？

一个图像检索问题

评估：MAP@100

2、Avito Duplicate AdsDetection

检测出重复的广告。

数据：各种广告图片。

要求：对每个广告给出其重复的概率（0,1之间）。

 

图像理解

1、State FarmDistracted Driver Detection

通过图片检测司机是否发生了上述行为。

要求：给出10个行为的概率。

行为：

c0：正常驾驶

c1：发短信 - 右转

c2：通过电话通话 - 右转

c3：发短信 - 左转

c4：通过电话交谈 - 左转

c5：操作收音机

c6：喝酒

c7：伸手

c8：头发和化妆

c9：说话乘客

数据关联

1、Draper SatelliteImage Chronology

预测每个位置拍摄照片的时间顺序。类似于图像间的数据关联。

数据：卫星地图。每组5张图片

要求：按照拍摄图片的时间顺序，对图片排序。

 

二、视频

视频分类

1、Google Cloud &YouTube-8M Video Understanding Challenge

视频理解，制作视频标签。

使用新的和改进的YT-8M V2数据集精确分配视频级标签。该数据集由超过700万YouTube视频（450,000小时的视频）创建，包含来自4716个class（平均3.4个标签/视频）的词汇视频标签。它还具有每秒钟视频中预先提取的音频和视频功能（总共3.2B个特征向量）。

要求：对于每个视频，预测标签列表及其相应的置信度分数。

 

 

三、正在进行的比赛

1、The 2nd YouTube-8MVideo Understanding Challenge

视频分类。

创建一个约束大小的模型来预测视频标签。

对于每个视频，您将提交预测标签列表及其相应的置信度分数。

2、Digit Recognizer

图像分类。

识别手写数字。数据：MNIST数据集。

分类方法：简单的神经网络，SVM，K-nearest neighbors

3、mageNet ObjectDetection Challenge

识别并标记图像中的日常物体。

目标：构建一个算法，能够识别和标记超过200个类别的图像的目标。

比赛概述：

图像中所有类别的边界框已被标记。“数据”选项卡上提供了200种类别的对象。这些类别是从各种因素中选择的，包括对象实例的平均数量，图像混乱以及其他几种。

训练集包含超过475k的对象，用于从超过450k的图像中进行分类。测试集包括40k图像。

已经使用场景级查询从Flickr和其他搜索引擎收集图像。平均图像尺寸是482x415像素。

4、ImageNet ObjectLocalization Challenge。

目标：要识别图像中的所有对象，然后可以对这些图像进行分类和注释。进一步提高准确度

技术背景：2010年至2014年间，图像分类误差（从28.2％降至6.7％）降低了4.2倍，定位误差降低了1.7倍（从42.5％降至25.3％）。

概述：

验证和测试数据包含150k张图片，有1000个对象类别。1000个对象类别包含ImageNet的内部节点和叶节点，但不相互重叠。

评估标准：

每张图片的误差可定义为：e=〖min〗_i (〖min〗_j (max⁡(d_ij,f_ij ) ))

 

每张图片的最小误差为0或者1。总误差是计算测试集中所有图片最小误差的平均值。

5、Humpback WhaleIdentification Challenge

识别图像中的鲸鱼种类。

数据集包含25k张图像

评估标准：

MAP@5，每张图片最多预测5个标签。

6、ImageNet ObjectDetection from Video Challenge

要求在30类物体的各种视频剪辑中识别和标记静态图像。