这是一个有趣的算法竞赛赛题，你可能见过的很多赛题都是对人脸进行分类识别，但是这场比赛却是一场专门对“秃头小宝贝”的分类竞赛。 Bald Classification Dataset（秃头数据集）由 Ashish Jangra 于今年 5 月发布。FlyAI提供的处理后数据集包含9000多张图像，其中训练集和验证集划分比例为7:3； 通过训练秃头数据集，可以快速算出合影、视频、或区域街景中，目标区域中的“含秃率”。也可以在皮肤科、内分泌科、脱发专科门诊，协助医生进行病理性脱发的病程判定。还可以成为植发医院的销售线索工具，无论是在密集人群中发现目标群体，还是对比特定区域之间的目标群体密度，都可以进行尝试。

5月1日起，新版《北京市生活垃圾管理条例》（以下简称新《条例》）正式实施。为配合《条例》的实施，北京市还印发了《北京市生活垃圾分类工作行动方案》以及四个实施办法。 北京的垃圾分类标准与上海并不完全一致，采用可回收物、厨余垃圾、有害垃圾和其他垃圾四大类，分别对应四种不同颜色的垃圾桶，即蓝色、绿色、红色和灰色。 随着垃圾分类处理行业竞争的不断加剧，大型企业间并购整合与资本运作日趋频繁，国内外优秀的垃圾分类处理企业愈来愈重视对行业市场的分析研究，特别是通过人工智能技术与垃圾分类硬件、软件产品中的应用融合，能够帮助居民更加准确的进行垃圾的准确分类，提升分类效果。 本赛题要求参赛者基于深度学习技术建立准确的垃圾分类模型，利用技术手段改善人居生活环境！

自2月12日起，湖北首次将临床诊断病例数纳入新增数据，在《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》(以下简称：《第五版新冠肺炎诊疗方案》）中提到将”疑似病例中具有肺炎影像学特征者“纳入临床诊断病例标准，将“肺部影像学显示炎症明显吸收”重新回归到解除隔离和出院标准中，不难看出影像学在此次新冠肺炎中的诊断中起着至关重要的作用。 人工智能技术在本次的抗疫战争中也发挥着自己的优势，通过深度学习技术，对医学影像进行分类识别，协助诊断专家完成高效率、高准确率的诊断任务。 本赛题是一个图像二分类任务，基于2019年新冠肺炎CT医学影像数据，要求参赛者搭建算法模型，通过CT医学影像诊断患者是否感染新冠肺炎。对医学领域的人工智能技术落地研究有着重要意义。

此数据集来自英特尔场景分类挑战赛。数据集共包含森林、街道、海景等6个场景，共24335张图片。

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。

医疗问答机器人非常适合解决医疗市场的长期低效率问题，在降低成本、减少医生时间负担的同时，能够将患者对自己病症的描述与标准医学知识库进行对比，从而完成患者导诊、问诊等服务。另外也能进行健康咨询以及“自我诊断”，通过症状、病史等描述获取轻问诊服务和用药指导以供参考。 24×7在线，能及时解决患者一些紧急问题。

CINIC-10由CIFAR和ImageNet的图像组成。来自这些的图像不一定是相同的分布，呈现出新的挑战。CINIC-10 中共有 270,000 张图像，将这些图像平均分割为三个子集：训练集、验证集和测试集。

该项目基于NTU RGB+D 120数据集，提取数据集中对应的视频中人的骨骼关键位置点，用于动作识别，共120个动作，数据集以json文件给出，包括frame：帧数，60帧，joints_num：25，25个关节的位置坐标joint_0_x,joint_0_y

本数据集包含雨雪天气下摄像头记录的街道RGB照片以及热感应照片，目标是分割出照片中路面的车辆部分。数据集共包含2198对RGB照片和热感应照片，图片大小为640*480。

该数据集来自若干新闻站点2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据。根据新闻正文内容分析新闻的类别

图像分割是根据图像内容对指定区域进行标记的计算机视觉任务，简单来说是准确判定在当前图片中的哪个区域 该数据集一共有1224张图片，训练集、验证集和测试集划分比例为6:2:2.

本数据集为脸龄判断数据集，共包含9779张不同人种的人类个体面部图片，个体年龄分布为1岁到110岁之间，共99个类别。为简化问题，将每10岁划为一个区间，使类别缩小到10类。

本次比赛旨在利用无人机设备推动最先进的目标检测技术。无人机目标检测技术在无人机快递物流、城市交通监控、安防等工业领域有着重要的应用意义。 数据集提供了由不同高度、不同位置的无人机拍摄的的静态图像。参赛者要求预测十个预定义类（pedestrian，person，car，van，bus，truck，motor，bicycle，awning-tricycle，tricycle）与实际数据的交并比精度。

此数据集包含25000多条推文内容。仇恨言论识别任务：查看短文，并确定它是否为 0（包含仇恨言论），1（冒犯性的，但没有仇恨言论），2（一点也没有冒犯性）。

遥感影像场景分类是遥感影像目标检测和高层语义理解的基础，遥感影像高层语义理解又是空间分析的基础。实际应用中空间分析借助地图与空间信息解决经济、社会、国防等重要领域的技术任务。 例如通过遥感影像进行农作物估产、城市规划、商铺选址、城市热点场所人群分析、空间规划等等。空间分析是解决实际生活中问题的重要手段，而遥感影像场景分类是空间分析的基石。 遥感影像场景分类任务是从多幅遥感影像中区分出具有相似场景特征的图像，并对这些图像进行分类，为每一幅遥感影像赋予场景类别标签。

Stanford Dogs数据集包含来自世界各地的120种犬种的图像。该数据集是使用ImageNet中的图像和注释构建的，用于细粒度图像分类的任务。它最初被收集用于细粒图像分类，这是一个具有挑战性的问题，因为某些犬种具有接近相同的特征或者颜色。

ATEC-问题相似度计算是由蚂蚁金服主办的赛题，在智能客服业务场景中提升用户体验、高效问题匹配、减轻客服压力等方面具有重要的价值。 基于对问题相似度计算研究，FlyAI为优秀的算法研究者提供此类赛题并通过FlyAI训练框架内置Google BERT 预训练模型。以客服业务为切入点，与大家一起探讨在自然语言处理领域的研究价值、普惠金融领域的商业发展价值。 Google BERT简介：2018年谷歌AI团队新发布的BERT模型，在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩：全部两个衡量指标上全面超越人类，并且还在11种不同NLP测试中创出最佳成绩，包括将GLUE基准推至80.4％（绝对改进7.6％），MultiNLI准确度达到86.7% （绝对改进率5.6％）等。

自今年7月1日起，上海市将正式实施 《上海市生活垃圾管理条例》。垃圾分类，看似是微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应大力提倡。 垃圾识别分类数据集中包括class、cardboard、metal、paper、plastic、trash，共6个类别。 生活垃圾由于种类繁多，具体分类缺乏统一标准，大多人在实际操作时会“选择困难”,基于深度学习技术建立准确的分类模型，利用技术手段改善人居环境。

胸部X线影像（前-后）选自广州市广州妇女儿童医学中心一至五岁儿科患者。所有胸部X射线成像均作为患者常规临床护理的一部分进行。 有5,863个X射线图像（JPEG）和2个类别（肺炎/正常）。

该数据图像来自癌症成像档案（TCIA），通过深度学习算法自动提取具有一定形状特征的低级别胶质瘤区域。 低级别胶质瘤根据世界卫生组织（WHO）制定的分级系统可定义为（WHO1～2级）属分化良好的胶质瘤，虽然这类肿瘤在生物上并不属于良性肿瘤，但是患者的预后相对较好。MRI医学影像分割在病患检测、病情分析等领域都具有较大的研究价值。

该数据集包括12种植物物种的幼苗。本次竞赛的任务是根据图片建立预测植物种类的精准模型。