- 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
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。
赛事主题和数据说明
赛题描述
本赛题为8月活动赛题,截止2019年8月31日下午20点整所有训练完成结果均为有效成绩!!
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 |
img_path |
string |
不为空 |
图片的相对路径 |
label |
string |
不为空 |
标签 |
参考文献:
[1]无
评审标准
算法输入输出格式
输入字段:
img_path,
输出字段:
label,
评审指标说明
- 本赛题基础得分为60分,所有超过基础得分的参赛者可获得相对应奖励!
- 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 40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24,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93.12。
batch数据为48,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92.66。
batch数据为30,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92.55。
4
batch数据为40,循环次数为18次,通过在线上环境完成训练,模型最优精度评分为92.49。
5
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92.27。
6
batch数据为48,循环次数为18次,通过在线上环境完成训练,模型最优精度评分为92.22。
7
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91.74。
8
batch数据为16,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91.68。
9
batch数据为80,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为91.62。
10
batch数据为500,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91.47。
11
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91.43。
12
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91.35。
13
batch数据为256,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91.31。
14
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91.29。
15
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91.29。
16
batch数据为32,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91.28。
17
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91.13。
18
batch数据为32,循环次数为36次,通过在线上环境完成训练,模型最优精度评分为91.05。
19
batch数据为256,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为91.01。
20
batch数据为24,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为91.00。
21
batch数据为50,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90.99。
22
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90.94。
23
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90.85。
24
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90.85。
25
batch数据为128,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90.82。
26
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90.73。
27
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90.70。
28
batch数据为64,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为90.53。
29
batch数据为48,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为90.42。
30
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90.30。
31
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90.25。
32
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89.98。
33
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89.94。
34
batch数据为10,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89.92。
35
batch数据为108,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89.54。
36
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89.51。
37
batch数据为32,循环次数为36次,通过在线上环境完成训练,模型最优精度评分为89.42。
38
batch数据为30,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89.40。
39
batch数据为32,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88.77。
40
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88.31。
41
batch数据为64,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88.03。
42
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87.89。
43
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87.73。
44
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87.62。
45
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87.08。
46
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86.88。
47
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86.83。
48
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86.82。
49
batch数据为50,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86.66。
50
batch数据为128,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86.34。
51
batch数据为128,循环次数为2200次,通过在线上环境完成训练,模型最优精度评分为85.77。
52
batch数据为1,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85.70。
53
batch数据为30,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85.55。
54
batch数据为48,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85.33。
55
batch数据为128,循环次数为99次,通过在线上环境完成训练,模型最优精度评分为85.28。
56
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84.99。
57
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84.93。
58
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83.19。
59
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82.90。
60
batch数据为128,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82.82。
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82.82。
62
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82.62。
63
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82.50。
64
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82.24。
65
batch数据为50,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82.08。
66
batch数据为64,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81.56。
67
batch数据为100,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81.35。
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80.90。
69
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80.17。
70
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79.93。
71
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78.89。
72
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78.47。
73
batch数据为32,循环次数为48次,通过在线上环境完成训练,模型最优精度评分为78.27。
74
batch数据为128,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78.19。
75
batch数据为32,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为77.73。
76
batch数据为8,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77.68。
77
batch数据为64,循环次数为4800次,通过在线上环境完成训练,模型最优精度评分为77.37。
78
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76.95。
79
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75.23。
80
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75.21。
81
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73.94。
82
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70.97。
83
batch数据为256,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65.81。
84
batch数据为2,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63.44。
85
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59.11。
86
batch数据为128,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57.49。
87
batch数据为40,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为48.13。
88
batch数据为50,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46.95。
89
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44.74。
90
batch数据为30,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41.47。
91
batch数据为96,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37.94。
92
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35.85。
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13.83。
94
batch数据为64,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12.91。
95
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10.64。
96
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7.22。
97
batch数据为32,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6.23。
98
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2.71。
99
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2.05。
100
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1.99。
101
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1.98。
102
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1.42。
103
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1.36。
104
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1.28。
105
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1.20。
106
batch数据为50,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0.93。
107
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0.89。
108
batch数据为128,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0.84。
109
batch数据为8,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0.73。
110
batch数据为128,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0.64。
111
batch数据为10,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0.50。
112
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0.34。
113
batch数据为32,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0.32。
114
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0.32。
115
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0.29。
116
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0.29。
117
batch数据为128,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0.25。
118
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0.25。
119
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0.25。
120
batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为0.25。
121
batch数据为24,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0.20。
122
batch数据为256,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0.20。
123
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0.17。
124
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0.17。
125
batch数据为62,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0.17。
126
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0.17。
127
batch数据为32,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0.15。
128
batch数据为64,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0.15。
129
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0.15。
130
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0.15。
131
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0.14。
132
batch数据为128,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0.14。
133
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0.13。
134
batch数据为50,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0.13。
135
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0.12。
136
batch数据为50,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0.12。
137
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0.10。
138
batch数据为64,循环次数为8次,通过在线上环境完成训练,模型最优精度评分为0.10。
139
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0.10。
140
batch数据为64,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0.10。
141
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0.10。
142
batch数据为50,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0.10。
143
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0.10。
144
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0.10。
145
batch数据为64,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0.10。
146
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0.10。
147
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0.10。
148
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0.10。
149
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0.10。
150
batch数据为24,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0.10。
151
batch数据为50,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0.10。
152
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0.10。
153
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0.10。
154
batch数据为128,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0.09。
155
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0.00。
YY
2019-08-31 21:25:05
2019-08-31 21:25:05
92.81
大印
2019-09-04 13:29:08
2019-09-04 13:29:08
92.66
Mengcius
2019-11-19 07:25:46
2019-11-19 07:25:46
92.66
4
Albert1563667639
2019-09-18 01:14:37
2019-09-18 01:14:37
92.47
5
交差墒
2019-08-31 23:15:52
2019-08-31 23:15:52
92.45
6
CodeAI
2019-09-15 09:16:13
2019-09-15 09:16:13
92.42
7
gboy
2019-09-01 04:31:44
2019-09-01 04:31:44
92.33
8
yangsmile
2019-09-03 05:47:35
2019-09-03 05:47:35
92.33
9
绿肥红瘦
2020-01-07 05:11:23
2020-01-07 05:11:23
92.27
10
Tiernos
2020-03-16 18:30:39
2020-03-16 18:30:39
92.04
11
true up
2019-09-09 05:02:10
2019-09-09 05:02:10
91.95
12
西北风
2019-08-31 21:46:00
2019-08-31 21:46:00
91.77
13
哈尔的移动城堡
2019-08-31 23:16:07
2019-08-31 23:16:07
91.71
14
emmm我还没想好
2019-09-01 11:49:15
2019-09-01 11:49:15
91.62
15
无心法师
2019-09-06 09:16:36
2019-09-06 09:16:36
91.37
16
Zyt
2019-08-31 21:35:11
2019-08-31 21:35:11
91.33
17
Biao_Ge
2019-09-07 01:11:27
2019-09-07 01:11:27
91.3
18
诗人藏夜里
2019-11-21 10:39:37
2019-11-21 10:39:37
90.31
19
trickornot
2019-09-01 03:38:47
2019-09-01 03:38:47
90.25
20
天涯·明月·刀
2019-09-11 00:32:23
2019-09-11 00:32:23
89.51
21
小林子
2019-09-11 13:55:38
2019-09-11 13:55:38
89.39
22
雨中冰言
2019-09-07 17:23:14
2019-09-07 17:23:14
89.33
23
机器学渣
2019-09-07 19:25:54
2019-09-07 19:25:54
89.05
24
Li Kuo-tung
2020-04-27 20:06:33
2020-04-27 20:06:33
88.15
25
木信
2019-12-21 02:10:21
2019-12-21 02:10:21
87.46
26
NingAnMe
2020-12-16 08:21:27
2020-12-16 08:21:27
87.24
27
alwaysbetter
2019-09-01 06:08:40
2019-09-01 06:08:40
86.31
28
June_Z
2019-09-04 05:21:53
2019-09-04 05:21:53
80.69
29
SimonFighter
2019-09-08 18:19:07
2019-09-08 18:19:07
70.14
30
超人二号
2019-09-03 15:25:07
2019-09-03 15:25:07
2.09
31
步沧
2019-09-10 22:32:23
2019-09-10 22:32:23
2.09
32
徐辉
2019-09-12 00:28:55
2019-09-12 00:28:55
2.09
33
Helloworld1562285460
2019-09-14 23:49:57
2019-09-14 23:49:57
2.09
34
xupengzheng
2019-09-16 16:53:32
2019-09-16 16:53:32
2.09
35
Peter陈敏
2019-09-20 07:29:08
2019-09-20 07:29:08
2.09
36
cracked2
2019-12-20 17:38:53
2019-12-20 17:38:53
2.09
37
五五
2020-03-09 20:50:33
2020-03-09 20:50:33
2.09
38
lcl050024
2020-04-16 10:37:06
2020-04-16 10:37:06
2.09
39
牛顿不会飞
2020-04-16 11:31:16
2020-04-16 11:31:16
2.09
40
莲子咖啡
2020-09-18 22:16:52
2020-09-18 22:16:52
2.09
41
NemoRyuu
2020-12-13 19:15:44
2020-12-13 19:15:44
2.09
42
zcg1627693876
2022-01-19 16:08:15
2022-01-19 16:08:15
2.09
43
章鑫
2019-11-19 17:28:08
2019-11-19 17:28:08
0.1