- 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
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)。
赛事主题和数据说明
赛题描述
通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!
数据来源
ChestXray
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 |
file_path |
不为空 |
图片的相对路径 |
type |
int |
不为空 |
图片对应的类别 |
label |
int |
大于等于 0, 小于等于 1 |
图片的标注标签 |
参考文献:
[1]chest-xray-pneumonia
评审标准
算法输入输出格式
输入字段:
image_path,
输出字段:
labels,
评审指标说明
- 精确率(Precision,简称为P):正确预测为正的占全部预测为正的比例
- 召回率(Recall,简称为R):正确预测为正的占全部实际为正的比例
- F1-Score 是精确率和召回率的一种加权平均,它的最大值为1,最小值为0
- 计算公式如下:
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96.41。
batch数据为256,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96.05。
batch数据为128,循环次数为220次,通过在线上环境完成训练,模型最优精度评分为95.20。
4
batch数据为64,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94.47。
5
batch数据为128,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93.71。
6
batch数据为64,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93.59。
7
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92.51。
8
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92.41。
9
batch数据为64,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91.56。
10
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91.24。
11
batch数据为80,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90.95。
12
batch数据为64,循环次数为37次,通过在线上环境完成训练,模型最优精度评分为89.82。
13
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89.80。
14
batch数据为50,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87.70。
15
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87.39。
16
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87.22。
17
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87.09。
18
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86.43。
19
batch数据为64,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86.38。
20
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86.09。
21
batch数据为50,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86.04。
22
batch数据为160,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85.92。
23
batch数据为64,循环次数为600次,通过在线上环境完成训练,模型最优精度评分为85.30。
24
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85.18。
25
batch数据为128,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84.94。
26
batch数据为16,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84.81。
27
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84.54。
28
batch数据为128,循环次数为66次,通过在线上环境完成训练,模型最优精度评分为84.53。
29
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84.49。
30
batch数据为64,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为84.47。
31
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84.35。
32
batch数据为256,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84.18。
33
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83.60。
34
batch数据为512,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83.30。
35
batch数据为600,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为82.74。
36
batch数据为256,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82.73。
37
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82.16。
38
batch数据为512,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81.86。
39
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81.80。
40
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81.70。
41
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81.43。
42
batch数据为128,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81.40。
43
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为81.30。
44
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81.07。
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80.95。
46
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80.75。
47
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80.72。
48
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80.65。
49
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80.57。
50
batch数据为32,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79.75。
51
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79.71。
52
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79.66。
53
batch数据为256,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79.40。
54
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78.35。
55
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77.86。
56
batch数据为32,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77.84。
57
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77.72。
58
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77.40。
59
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76.96。
60
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75.76。
61
batch数据为32,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75.59。
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75.51。
63
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75.40。
64
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74.81。
65
batch数据为2,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74.80。
66
batch数据为256,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74.65。
67
batch数据为128,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为74.26。
68
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72.73。
69
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71.58。
70
batch数据为16,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71.12。
71
batch数据为6000,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70.70。
72
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70.70。
73
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70.68。
74
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70.62。
75
batch数据为256,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69.78。
76
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68.72。
77
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68.19。
78
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68.11。
79
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66.81。
80
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65.71。
81
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65.40。
82
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64.54。
83
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63.82。
84
batch数据为200,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63.22。
85
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为63.16。
86
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60.18。
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58.43。
88
batch数据为32,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为57.75。
89
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55.46。
90
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55.34。
91
batch数据为1,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54.61。
92
batch数据为128,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54.55。
93
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54.55。
94
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54.55。
95
batch数据为12,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54.55。
96
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52.83。
97
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50.96。
98
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49.52。
99
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47.77。
100
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41.60。
101
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27.56。
102
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为22.07。
103
batch数据为100,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0.00。
YY
2019-08-10 16:13:05
2019-08-10 16:13:05
93.51
吖查
2020-02-12 03:34:02
2020-02-12 03:34:02
92.17
mki
2019-09-17 23:06:52
2019-09-17 23:06:52
91.07
4
cnn
2019-08-16 09:44:20
2019-08-16 09:44:20
56.12
5
piano
2019-08-23 02:34:25
2019-08-23 02:34:25
54.55
6
Tk more tk less
2019-11-14 14:38:35
2019-11-14 14:38:35
54.55
7
hiccup
2019-08-07 14:16:56
2019-08-07 14:16:56
54.5
8
青1564705852
2019-08-18 19:26:30
2019-08-18 19:26:30
43.44
9
刘小花
2019-08-07 15:16:04
2019-08-07 15:16:04
0
10
motoleisure
2019-08-25 14:42:39
2019-08-25 14:42:39
0
11
谢俊宇
2019-09-17 16:54:37
2019-09-17 16:54:37
0
12
Viola
2019-11-04 23:28:11
2019-11-04 23:28:11
0
13
希布
2019-11-06 13:09:40
2019-11-06 13:09:40
0
14
weidong
2019-11-09 09:03:41
2019-11-09 09:03:41
0
15
学霸
2019-12-09 16:00:28
2019-12-09 16:00:28
0
16
Solace
2020-01-05 11:01:29
2020-01-05 11:01:29
0
17
无聊到自闭自开花到底最多几个字
2020-03-04 15:34:34
2020-03-04 15:34:34
0
18
韩天啸
2020-06-14 21:33:15
2020-06-14 21:33:15
0
19
flyai会员1603024333
2020-11-08 15:14:43
2020-11-08 15:14:43
0
20
云倩
2021-01-06 11:11:47
2021-01-06 11:11:47
0