- 赛事介绍
- 竞赛排行榜
- 自由练习榜单
- 讨论($vue{comment_count})
- 学习资源
大赛简介
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。
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。
数据来源
intelSceneClassification
数据描述
由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
image_path |
string |
不为空 |
图片的相对路径 |
label |
int |
大于等于 0, 小于等于 5 |
场景类别 |
参考文献:
[1]https://www.kaggle.com/dipam7/intel-data-scene
评审标准
算法输入输出格式
输入字段:
image_path,
输出字段:
label,
评审指标说明
- 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
- True,表示预测正确的样本数数量
- Total Number of Samples,表示实际总样本数数量
- 计算公式如下:
超过 80分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为99.18。
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为95.01。
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为94.13。
4
batch数据为64,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为93.81。
5
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为93.81。
6
batch数据为32,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为93.72。
7
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为92.96。
8
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为92.66。
9
batch数据为64,循环次数为6000次,通过在线上环境完成训练,模型最优精度评分为92.37。
10
batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为91.96。
11
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为91.90。
12
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.69。
13
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为91.58。
14
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为91.55。
15
batch数据为128,循环次数为6000次,通过在线上环境完成训练,模型最优精度评分为91.31。
16
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为91.02。
17
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为90.75。
18
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为90.49。
19
batch数据为32,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为89.96。
20
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为89.82。
21
batch数据为128,循环次数为2222次,通过在线上环境完成训练,模型最优精度评分为89.67。
22
batch数据为64,循环次数为240次,通过在线上环境完成训练,模型最优精度评分为89.58。
23
batch数据为32,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为88.58。
24
batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为88.55。
25
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为88.38。
26
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为88.20。
27
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.82。
28
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.73。
29
batch数据为256,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为87.11。
30
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为87.00。
31
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为86.79。
32
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为85.53。
33
batch数据为64,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为85.38。
34
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为85.18。
35
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为85.03。
36
batch数据为32,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为84.74。
37
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为84.41。
38
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为83.03。
39
batch数据为32,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为82.89。
40
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为82.57。
41
batch数据为512,循环次数为401次,通过在线上环境完成训练,模型最优精度评分为82.30。
42
batch数据为64,循环次数为2500次,通过在线上环境完成训练,模型最优精度评分为82.10。
43
batch数据为64,循环次数为1800次,通过在线上环境完成训练,模型最优精度评分为82.07。
44
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为82.07。
45
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为81.86。
46
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为81.80。
47
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为81.66。
48
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为81.33。
49
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为80.60。
50
batch数据为32,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为80.48。
51
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为80.48。
52
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为80.28。
53
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为80.28。
54
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为79.40。
55
batch数据为16,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为77.90。
56
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为77.52。
57
batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为69.03。
58
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为66.77。
59
batch数据为64,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为64.02。
60
batch数据为16,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为54.98。
61
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为50.87。
62
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为47.08。
63
batch数据为2,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为40.77。
64
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为30.29。
65
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为25.98。
66
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为21.72。
67
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为18.49。
68
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为17.20。
被算法耽误的歌手
2020-12-15 17:03:24
2020-12-15 17:03:24
92.31
Biao_Ge
2019-09-08 02:58:10
2019-09-08 02:58:10
91.14
PH
2019-09-02 00:26:52
2019-09-02 00:26:52
89.55
4
latalio
2019-10-11 17:16:46
2019-10-11 17:16:46
86
5
ZY2020
2020-08-05 17:33:16
2020-08-05 17:33:16
82.8
6
韩天啸
2021-04-12 12:16:02
2021-04-12 12:16:02
77.6
7
余生有我
2019-08-23 18:21:32
2019-08-23 18:21:32
77.16
8
大佬带带我
2019-08-23 22:01:34
2019-08-23 22:01:34
77.16
9
Liuzhongsheng
2019-08-30 12:06:49
2019-08-30 12:06:49
77.16
10
benjaminlinken
2019-08-31 14:54:27
2019-08-31 14:54:27
77.16
2019-09-07 11:06:14
77.16
12
sudoku
2019-10-19 22:04:19
2019-10-19 22:04:19
77.16
13
文瑞洁
2020-05-05 13:30:54
2020-05-05 13:30:54
77.16
14
刘俊杰
2020-06-06 09:45:10
2020-06-06 09:45:10
77.16
15
Renascence_6
2020-12-01 16:59:14
2020-12-01 16:59:14
77.16
16
是阿正
2020-12-14 09:36:52
2020-12-14 09:36:52
77.16
17
flyai会员1603024333
2021-05-31 10:16:59
2021-05-31 10:16:59
77.16
18
flyai会员1642580385
2022-01-28 14:08:54
2022-01-28 14:08:54
77.16
19
Li Kuo-tung
2020-04-28 13:12:01
2020-04-28 13:12:01
49.66
20
Tiernos
2020-04-07 05:42:00
2020-04-07 05:42:00
36.45
2019-08-23 14:08:00
35.07
22
比如说
2019-09-25 01:54:13
2019-09-25 01:54:13
28.79
23
ahaaaa
2020-12-02 17:19:05
2020-12-02 17:19:05
17.2