- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
本数据集是一个包含7种表情的图片数据集，表情分别为平静、愤怒、失落、恐惧等。原数据集中表情由10位日本女性学生提供，每个人分别提供若干张不同表情的照片。我们对数据集进行了翻转，明暗变化等数据增强处理，使得数据大小从213增加到了852。
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金30%） |
所有人 |
不同得分区间获得相应的竞赛奖金 |
| 突破奖（总奖金20%） |
所有人 |
更新排行榜得分，获取相应竞赛奖金 |
| 排名奖（总奖金50%） |
第一周/月前3名（冠、亚、季军） |
项目上线第一周、第一个月; Time_P(周) = 0.5，Time_P(月) = 0.5；K1=0.5，K2=0.3，K3=0.2； |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
本数据集是一个包含7种表情的图片数据集，表情分别为平静、愤怒、失落、恐惧等。原数据集中表情由10位日本女性学生提供，每个人分别提供若干张不同表情的照片。我们对数据集进行了翻转，明暗变化等数据增强处理，使得数据大小从213增加到了852。
数据来源
faceExpressionClassification
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 |
| labels |
int |
大于等于 0, 小于等于 6 |
类别 |
参考文献：
[1]Lyons, M. J., Akamatsu, S., Kamachi, M., Gyoba, J., & Budynek, J. (1998, April). The Japanese female facial expression (JAFFE) database. In Proceedings of third international conference on automatic face and gesture recognition (pp. 14-16).
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：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 90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1000次，通过在线上环境完成训练，模型最优精度评分为100.00。
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为100.00。
batch数据为20，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为100.00。
4
batch数据为32，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为99.42。
5
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99.42。
6
batch数据为8，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99.42。
7
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98.83。
8
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98.83。
9
batch数据为64，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98.83。
10
batch数据为32，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为98.83。
11
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98.83。
12
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为98.25。
13
batch数据为64，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98.25。
14
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97.08。
15
batch数据为32，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为96.49。
16
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96.49。
17
batch数据为32，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95.91。
18
batch数据为32，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为95.32。
19
batch数据为10，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95.32。
20
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94.74。
21
batch数据为128，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为94.74。
22
batch数据为32，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94.74。
23
batch数据为64，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94.74。
24
batch数据为512，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94.74。
25
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94.74。
26
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为94.15。
27
batch数据为500，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94.15。
28
batch数据为32，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为94.15。
29
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93.57。
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93.57。
31
batch数据为512，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93.57。
32
batch数据为128，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92.40。
33
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92.40。
34
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92.40。
35
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91.81。
36
batch数据为24，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91.23。
37
batch数据为128，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90.64。
38
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为90.64。
39
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90.64。
40
batch数据为512，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90.06。
41
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为90.06。
42
batch数据为512，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为90.06。
43
batch数据为32，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89.47。
44
batch数据为64，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88.89。
45
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为88.89。
46
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88.89。
47
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87.13。
48
batch数据为64，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87.13。
49
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85.38。
50
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84.80。
51
batch数据为128，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83.63。
52
batch数据为64，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82.46。
53
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为81.29。
54
batch数据为256，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75.44。
55
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74.85。
56
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64.33。
57
batch数据为32，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63.16。
57
batch数据为500，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为57.31。
59
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55.56。
60
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42.11。
61
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为32.16。
62
batch数据为64，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22.81。
63
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22.81。
64
batch数据为16，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19.30。
65
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16.37。
66
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15.79。
67
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15.79。
68
batch数据为1，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15.79。
69
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15.79。
70
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
71
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为15.79。
72
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15.79。
73
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
74
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
75
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
76
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
77
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
78
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
79
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
80
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
81
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
82
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
83
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15.79。
84
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
85
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
86
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
87
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15.79。
88
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
89
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
90
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
91
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
92
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15.79。
93
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
94
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
95
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
96
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
98
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
99
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
100
batch数据为10，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15.79。
101
batch数据为16，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15.79。
102
batch数据为1，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15.79。
103
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
105
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
106
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
108
batch数据为64，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15.79。
109
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
110
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
111
batch数据为64，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为15.79。
112
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为15.79。
113
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15.20。
114
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14.04。
- trickornot
-
模型得分为99.42，本次获得排名奖奖金为50元
2019-05-30 15:00:02
- 大木淡漠
-
模型得分为99.42，本次获得排名奖奖金为75元
2019-05-30 15:00:02
- Winteriscoming
-
模型得分为100，本次获得排名奖奖金为125元
2019-05-30 15:00:02
- sakuranew
-
模型得分为96.49，本次获得实时奖励奖金为2.34元
2019-05-27 10:30:19
- linlh
-
模型得分为97.08，本次获得实时奖励奖金为4.69元
2019-05-22 13:46:43
- 曾许诺
-
模型得分为96.49，本次获得实时奖励奖金为9.38元
2019-05-17 12:26:03
- jianbin.xu
-
模型得分为97.08，本次获得实时奖励奖金为18.75元
2019-05-16 10:37:40
- Micoon
-
模型得分为98.83，本次获得实时奖励奖金为1.17元
2019-05-14 14:04:33
- Micoon
-
模型得分为93.57，本次获得实时奖励奖金为1.5元
2019-05-13 10:57:48
- 大木淡漠
-
模型得分为99.42，本次获得排名奖奖金为50元
2019-05-07 15:00:02
- Winteriscoming
-
模型得分为100，本次获得排名奖奖金为125元
2019-05-07 15:00:02
- wbxing
-
模型得分为94.74，本次获得实时奖励奖金为1.41元
2019-05-05 10:25:20
- 优雅一只猫
-
模型得分为95.32，本次获得实时奖励奖金为2.81元
2019-05-05 10:25:17
- 优雅一只猫
-
模型得分为92.4，本次获得实时奖励奖金为3元
2019-05-05 10:25:05
- 闻剑船书铸扌
-
模型得分为95.91，本次获得实时奖励奖金为5.63元
2019-05-04 11:10:21
- trickornot
-
模型得分为99.42，本次获得实时奖励奖金为1.17元
2019-05-04 11:10:14
- Silence
-
模型得分为94.74，本次获得实时奖励奖金为11.25元
2019-05-04 11:09:19
- xinlofi
-
模型得分为90.06，本次获得实时奖励奖金为1.5元
2019-05-04 11:09:08
- 大木淡漠
-
模型得分为99.42，本次获得实时奖励奖金为2.34元
2019-05-04 11:08:52
- zhiduanqingchang
-
模型得分为92.4，本次获得实时奖励奖金为6元
2019-05-04 11:08:12
- Winteriscoming
-
模型得分为100，本次获得实时奖励奖金为9元
2019-05-04 11:08:07
- Winteriscoming
-
模型得分为99.42，本次获得实时奖励奖金为27.75元
2019-05-04 11:08:03
- June爱学习
-
模型得分为93.57，本次获得实时奖励奖金为12元
2019-05-04 11:04:12
- 兔子是菜鸟
-
模型得分为98.83，本次获得实时奖励奖金为37.5元
2019-05-04 11:03:57
- 淋雨
-
模型得分为90.06，本次获得实时奖励奖金为3元
2019-05-04 11:03:39
- 火炎焱燚
-
模型得分为97.08，本次获得实时奖励奖金为37.5元
2019-05-04 11:03:27
- 火炎焱燚
-
模型得分为94.15，本次获得实时奖励奖金为22.5元
2019-05-04 11:02:47
- gezp
-
模型得分为98.83，本次获得实时奖励奖金为257元
2019-05-04 11:02:33
