- 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
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。
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
StanfordDogs120
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 |
name |
int |
不为空 |
图片对应的类别 |
labels |
int |
大于等于 0, 小于等于 119 |
图片的标注标签 |
参考文献:
[1]无
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
- 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 70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95.14。
batch数据为64,循环次数为2800次,通过在线上环境完成训练,模型最优精度评分为94.85。
batch数据为8,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94.31。
4
batch数据为128,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94.10。
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92.83。
6
batch数据为16,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91.89。
7
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85.54。
8
batch数据为256,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85.28。
9
batch数据为32,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85.13。
10
batch数据为64,循环次数为1200次,通过在线上环境完成训练,模型最优精度评分为82.29。
11
batch数据为64,循环次数为3500次,通过在线上环境完成训练,模型最优精度评分为81.44。
12
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80.47。
13
batch数据为32,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为79.52。
14
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77.31。
15
batch数据为32,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76.97。
16
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76.97。
17
batch数据为16,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76.09。
18
batch数据为36,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76.09。
19
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75.75。
20
batch数据为84,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73.96。
21
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71.96。
22
batch数据为8,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71.40。
23
batch数据为256,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为70.02。
24
batch数据为128,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66.84。
25
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59.11。
26
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55.64。
27
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52.67。
28
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52.65。
29
batch数据为32,循环次数为333次,通过在线上环境完成训练,模型最优精度评分为49.20。
30
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45.00。
31
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44.02。
32
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41.40。
33
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39.21。
34
batch数据为128,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为37.39。
35
batch数据为512,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36.98。
36
batch数据为32,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34.82。
37
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33.19。
38
batch数据为16,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29.15。
39
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27.04。
40
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23.08。
41
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21.21。
42
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20.87。
43
batch数据为32,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19.31。
44
batch数据为128,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18.80。
45
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17.74。
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17.54。
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17.30。
48
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12.20。
49
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11.08。
50
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10.54。
51
batch数据为512,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9.89。
52
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8.14。
53
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7.19。
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6.80。
55
batch数据为500,循环次数为256次,通过在线上环境完成训练,模型最优精度评分为5.98。
56
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5.88。
57
batch数据为64,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4.25。
58
batch数据为1000,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3.94。
59
batch数据为3500,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3.79。
60
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3.62。
61
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3.60。
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3.21。
63
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3.11。
64
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2.84。
65
batch数据为256,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为2.58。
66
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2.48。
67
batch数据为128,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为2.33。
68
batch数据为1000,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1.34。
69
batch数据为512,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1.34。
70
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1.21。
71
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1.19。
72
batch数据为32,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1.19。
73
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1.09。
74
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1.04。
75
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1.02。
76
batch数据为32,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0.97。
77
batch数据为1000,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0.87。
78
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0.85。
XIANG1570761802
2020-01-20 18:01:26
2020-01-20 18:01:26
72.62
暖阳。
2019-08-17 19:53:19
2019-08-17 19:53:19
69.95
王冠
2019-10-26 19:06:29
2019-10-26 19:06:29
68.93
4
路人甲
2020-03-01 18:56:00
2020-03-01 18:56:00
51.58
2019-11-21 12:11:56
28.01
6
cnn
2019-08-15 22:54:51
2019-08-15 22:54:51
8.38
7
clare
2019-08-15 01:14:43
2019-08-15 01:14:43
4.81
8
绝缘体
2019-09-08 03:19:17
2019-09-08 03:19:17
3.98
9
ljz001234
2019-11-18 22:27:14
2019-11-18 22:27:14
2.43
10
也曾非黑即白
2019-11-19 19:22:24
2019-11-19 19:22:24
1.55
11
MJZ_98
2019-11-25 21:05:42
2019-11-25 21:05:42
1.46
12
Ghardy
2019-08-02 21:14:16
2019-08-02 21:14:16
1.31
13
junex
2019-08-02 23:04:30
2019-08-02 23:04:30
1.31
15
Woz
2019-08-05 10:06:47
2019-08-05 10:06:47
1.31
16
小数定理
2019-08-19 14:12:48
2019-08-19 14:12:48
1.31
17
椉風
2019-08-28 20:52:21
2019-08-28 20:52:21
1.31
18
Zuolong
2019-09-01 13:32:07
2019-09-01 13:32:07
1.31
19
BLOOM
2019-09-05 10:35:14
2019-09-05 10:35:14
1.31
20
A0宋志龙
2019-09-16 19:48:13
2019-09-16 19:48:13
1.31
21
朱程程
2019-10-24 10:15:19
2019-10-24 10:15:19
1.31
22
陈鹏
2019-11-01 16:02:40
2019-11-01 16:02:40
1.31
23
Mr . White
2019-11-04 19:11:55
2019-11-04 19:11:55
1.31
24
LVgm
2019-11-05 18:28:56
2019-11-05 18:28:56
1.31
25
姬了个喵
2019-11-11 16:33:49
2019-11-11 16:33:49
1.31
26
Boyce Avenue
2019-11-14 16:59:53
2019-11-14 16:59:53
1.31
27
Wh1t3zZ
2020-01-11 04:49:16
2020-01-11 04:49:16
1.31
28
嘟嘟1588123668
2020-04-29 09:30:02
2020-04-29 09:30:02
1.31
29
韩天啸
2020-06-11 17:05:04
2020-06-11 17:05:04
1.31
30
flyai会员1594015984
2020-07-22 21:08:53
2020-07-22 21:08:53
1.31
31
flyai会员1604460488
2020-11-04 17:26:22
2020-11-04 17:26:22
1.31
32
hiccup
2020-11-05 12:03:50
2020-11-05 12:03:50
1.31
33
flyai会员1603024333
2020-11-08 15:28:11
2020-11-08 15:28:11
1.31
34
flyai会员1605079002
2020-11-11 15:19:31
2020-11-11 15:19:31
1.31
35
zhujun
2021-03-28 14:02:50
2021-03-28 14:02:50
1.31